特徵選擇（Feature Selection）是機器學習中關鍵的一步，目的是從原始的特徵集中選出對目標預測最有用的子集，以提升模型性能、減少計算資源消耗和避免過擬合。常用的特徵選擇方法分為三大類：
常用特徵選擇方法：1. 過濾器法（Filter Methods）
• 不依賴具體模型，基於統計指標評估特徵與目標變數的相關性。
• 常用指標包括皮爾森相關係數、卡方檢驗、互信息（Mutual Information）等。
• 優點：計算快速，適合預處理階段使用。
• 缺點：不考慮特徵間相互依賴，可能選出冗餘特徵。
2. 包裝器法（Wrapper Methods）
• 將特徵選擇視為搜索問題，使用機器學習模型評估特徵子集的效能。
• 常用方法有遞迴特徵消除（Recursive Feature Elimination，RFE）。
• 優點：考慮特徵間的關係，效果通常較好。
• 缺點：計算成本高，耗時。
3. 嵌入法（Embedded Methods）
• 在模型訓練過程中同時執行特徵選擇，常見於帶有正則化的模型（如Lasso回歸）、決策樹和隨機森林。
• 優點：效率高，與模型緊密結合。
• 缺點：依賴於特定模型。
其他技術：
• 主成分分析（PCA）：雖然屬於特徵萃取而非選擇，但常與特徵選擇配合使用，降低維度。
• 互信息法：評估特徵和目標變數間的非線性相關性。
簡單比喻：
特徵選擇就像在一大片材料中挑出最具代表性的樣本，既節省資源又讓成果更精準。
總結：
特徵選擇有過濾器法、包裝器法與嵌入法三種主流方法，依據不同問題和資源條件選擇合適方法，能有效提升機器學習模型效能與解釋性。
