当数据预处理完成后，我们需要选择有意义的特征输入机器学习的算法和模型进行训练，通常来说，从两个方面考虑来选择特征：
特征是否发散
特征与目标的相关性
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。
根据特征选择的形式又可以将特征选择方法分为3种
：
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；
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;
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
Filter
1.方差选择法:
使用方差选择法，先要计算各个特征的方差，然后根据阈值，选择方差大于阈值的特征
2.相关系数法:
使用相关系数法，先要计算各个特征对目标值的相关系数以及相关系数的P值
3.卡方检验:
是检验定性自变量对定性因变量的相关性
4 互信息法:
评价定性自变量对定性因变量的相关性
Wrapper
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，消除若干权值系数的特征，再基于新的特征集进行下一轮训练
Embedded
1.基于惩罚项的特征选择法:
使用带惩罚项的基模型，除了筛选出特征外，同时也进行了降维
2.基于树模型的特征选择法
树模型中GBDT也可用来作为基模型进行特征选择
参考文章
参考文章1