过滤法
过滤法是在机器学习训练之前进行的数据预处理，根据各种统计检验指标筛选出较好的特征子集。
方差过滤
- VarianceThreshold类
通过特征的方差来筛选特征的类。有些特征的方差很小，所以要首先消除方差为0的特征。其中的参数threshold，表示方差的阈值，消除方差小于阈值的特征，默认值是0.
相关操作及注释：
import pandas as pd
import numpy as np
from sklearn.feature_selection import VarianceThreshold
data = pd.read_csv()
X = data.iloc[:,1:]# 取出特征
Y = data.iloc[:,0]# 取出标签
selector = VarianceThreshold() #实例化
X_var0 = selector.fit_transform(X) # 和前边学的操作一样
# X.var()计算方差，结果包括索引和数值
np.sort(X.var().values)[100]
# 当特征是二分类时，方差就是p(1-p)
对于KNN、SVM、神经网络等算法，需要遍历所有特征，计算量很大，过滤法过滤后的数据就可以降低这些算法的计算成本。而随机森林是随机选择特征进行分支。
- 参数threshold选择
经验，尝试。通常用阈值为0或者阈值很小的方差来过滤，先消除明显用不到的特征。
相关性过滤
方差过滤后，希望挑选出与标签相关且有意义的特征来为我们提供大量信息。在sklearn中评判相关性的有：卡方、F检验、互信息
- 卡方过滤
卡方过滤是专门针对离散型标签（即分类问题）的相关性过滤。卡方检验类为：feature_selectio.chi2,可以计算每个非负特征和标签之间的卡方统计量，并按照卡方统计量由高到低为特征排序。然后可以结合feature_selection.SelectKBest来获取前k个相关的特征。
相关操作：
from sklearn.ensemble import RandomForestClassifier as RFC
from sklearn.model_selection import cross_val_score
from sklearn.feature_selection import SelectKBest# 选出前k个评分最高的特征的类
from sklearn.feature_selection import chi2 # 计算每个非负特征和标签之间的卡方统计量
X_fschi = SelectKBest(chi2, k=356).fit_transform(X_fsvar, y)# 和其他操作一样都用fit等操作
cross_val_score(RFC(n_estimators=10,random_state=0),X_fschi,y,cv=5).mean()# 交叉验证一下
调参时可以根据统计学中的相关性检验来调参，就是让两者之间的相关性越强越好，看p值，p值越小越好。
可以chi2训练结果中返回。
chival, pval = chi2(X_fsvar, y)
- F检验
F检验，又称ANOVA，方差齐性检验，用来捕捉每个特征和标签之间的线性关系的过滤方法，既可以做回归，又可以做分类。在sklearn中有feature_selection.f_classif和feature_selection.f_regression两种。同样，要和SelectKBest同时使用来获取前k个特征。F检验和卡方检验结果可能相差不大。
相关操作：
from sklearn.feature_selection import f_classif
F, p = f_classif(X_fsvar,y)
F
- 互信息法
互信息可以获取每个特征和标签之间的任意关系。既可以做回归，也可以做分类。分别为：feature_selection.mutual_info_classif和mutual_info_regression
互信息返回是两个量之间的估计，在0-1之间，为0表示两个变量独立，为1则表示两个变量完全相关。
相关操作也是fit啥的都一样。
嵌入法
嵌入法是一种让算法自己决定使用那些特征的方法，特征选择和训练同时进行。在使用嵌入法时，我们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，根据权值系数从大到小选择特征。这些权值系数往往代表了特征对于模型的某种贡献或某种重要性，比如决策树和树的集成模型中的feature_importances_属性，可以列出各个特征对树的建立的贡献，我们就可以基于这种贡献的评估，找出对模型建立最有用的特征。
嵌入法的类：feature_selection.SelectFromModel
SelectFromModel是一个元变换器，可以与任何在拟合后具有coef_，feature_importances_属性或参数中可选惩
罚项的评估器一起使用（比如随机森林和树模型就具有属性feature_importances_，逻辑回归就带有l1和l2惩罚
项，线性支持向量机也支持l2惩罚)。
包装法
包装法也是一个特征选择和算法训练同时进行的方法，与嵌入法十分相似，它也是依赖于算法自身的选择，比如coef_属性或feature_importances_属性来完成特征选择。但不同的是，我们往往使用一个目标函数作为黑盒来帮助我们选取特征，而不是自己输入某个评估指标或统计量的阈值。这个算法是专用的数据挖掘算法，常见的是递归特征消除法（RFE）。它是一种贪婪的优化算法，旨在找到性能最佳的特征子集。 它反复创建模型，并在每次迭代时保留最佳特征或剔除最差特征，下一次迭代时，它会使用上一次建模中没有被选中的特征来构建下一个模型，直到所有特征都耗尽为止。 然后，它根据自己保留或
剔除特征的顺序来对特征进行排名，最终选出一个最佳子集。
- feature_selection.RFE
class sklearn.feature_selection.RFE (estimator, n_features_to_select=None, step=1, verbose=0)
参数estimator是需要填写的实例化后的评估器，n_features_to_select是想要选择的特征个数，step表示每次迭代中希望移除的特征个数。除此之外，RFE类有两个很重要的属性，.support_：返回所有的特征的是否最后被选中的布尔矩阵，以及.ranking_返回特征的按数次迭代中综合重要性的排名。类feature_selection.RFECV会在交叉验证循环中执行RFE以找到最佳数量的特征，增加参数cv，其他用法都和RFE一模一样。
也是fit、transform等操作进行操作。