在之前格物汇的文章中，我们介绍了特征构建的几种常用方法。特征构建是一种升维操作，针对特征解释能力不足，可以通过特征构建的方法来增加特征解释力，从而提升模型效果。随着近几年大数据技术的普及，我们可以获取海量数据，但是这些海量数据带给我们更多信息的同时，也带来了更多的噪音和异常数据。如何降维去噪成为很多企业关注的焦点，今天我们将介绍特征工程中的一种降维方法——特征选择。

什么是特征选择

特征选择( Feature Selection )也称特征子集选择( FeatureSubset Selection , FSS )，或属性选择( Attribute Selection )。是指从已有的N个特征(Feature)中选择M个特征使得系统的特定指标最优化。

特征选择主要有两个功能

减少特征数量、降维，使模型泛化能力更强，减少过拟合

增强对特征和特征值之间的理解

特征选择的流程

特征选择的目标是寻找一个能够有效识别目标的最小特征子集。寻找的一般流程可用下图表示：

一般来说，通过枚举来对特征子集进行选择是一个比较费时的步骤,所以应使用一些策略来进行特征选择，通常来说，我们会从两个方面考虑来选择特征：

>特征是否发散

如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。

>特征与目标的相关性

这点比较显见，与目标相关性高的特征，应当优选选择。除方差法外，本文介绍的其他方法均从相关性考虑。

根据特征选择的形式又可以将特征选择方法分为3种：

Filter

Wrapper

Embedded

特征选择的方法

1、Filter

过滤法，按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征。

评分指标有：

方差：评价指标的离散程度，越离散说明包含的信息越多。

相关性：衡量特征对目标的解释能力，相关系数越大说明解释能力越强。

卡方检验：检验定性自变量对定性因变量的相关性。

互信息：也是评价定性自变量对定性因变量的相关性的。

2、Wrapper

包装法，根据目标函数（通常是预测效果）评分，每次选择若干特征，或者排除若干特征，主要的方法是递归特征消除法。递归消除特征法使用一个基模型来进行多轮训练，每轮训练后，减少若干特征，或者新增若干特征，进行评估看新增的特征是否需要保留，剔除的特征是否需要还原。最后再基于新的特征集进行下一轮训练。

3、Embedded

嵌入法，先使用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据系数从大到小选择特征。类似于Filter方法，但是是通过训练来确定特征的优劣。

一般分为如下两大类：

>基于惩罚项的特征选择法

这个方法可以用线性回归模型来举例说明，我们在线性模型的目标函数中增加L1正则项（实际上这就是lasso模型）。由于该正则项的存在，某些与目标y不太相关的特征的系数将缩减至0，而保留的特征系数将相应调整，从而达到了对特征进行筛选的效果，L1正则项系数越大，筛选的力度也就越大。

>基于树模型的特征选择法

在我们之前的文章中介绍过随机森林，GDBT等等基于树的模型，他们均有一个特点就是模型可以计算出特征的重要性。决策树会优先将对预测目标y帮助最大的特征放在模型的顶端，因此根据这个效果我们计算得到特征的重要性，进而我们可以根据特征重要性对特征进行选择。

今天我们大致了解了如何给工业大数据降维去噪，进行特征选择，在后续文章中，我们将继续带大家了解特征工程的另一个内容——特征抽取，敬请期待。

本文作者：格创东智OT团队 （转载请注明来源及作者）