特征
在一些实际问题中，我们得到的样本数据都是多个维度的，即一个样本是用多个特征来表征的。比如在房价预测的问题中，影响房价y的因素有房子面积x1，卧室数量x2等，我们得到的样本数据就是（x1，x2）这样一些样本点，这里的x1和x2又被称为特征。
特征选择
为什么做特征选择？
在现实生活中，一个对象往往具有很多属性（以下称为特征），这些特征大致可以分成三种主要的类型：
- 相关特征：对于学习任务有帮助，可以提升学习算法 的效果。
- 无关特征：对于我们的算法没有任何帮助，不会给算法的效果带来任何提升。
- 冗余特征：不会对我们的算法带来新的信息，或者这种特征的信息可以由其他的特征推断出来。
但是对一个特定的学习算法来说，哪一个特征是有效的是未知的。因此需要从所有特征中选择出对于学习算法有益的相关特征。
进行特征选择的主要目的：
什么是特征选择？
定义：从N个特征中选择其中M个子特征，并且在M个子特征中，准则函数可以达到最优解。
特征选择想要的做的是：选择尽可能少的子特征，模型效果不会显著下降，并且结果的类别分布尽可能的接近真实的类别分布。
怎么做特征选择？
特征选择主要包含四个过程：
1、生成过程：生成候选的特征子集
生成过程是一个搜索过程，这个过程主要有以下三个策略：
1）完全搜索：根据评价函数做完全搜索，主要有两种：穷举搜索和非穷举搜索
2）启发式搜索：根据一些启发式规则在每次迭代时，决定剩下的特征是应该被选择还是别拒绝，这种方法很简单并且速度很快。
3）随机搜索：每次迭代时会设置一些参数，参数的选择会影响特征选择的效果。
2、评价函数：评价特征子集的好坏
评价函数主要用来评价选出的特征子集的好坏，一个特征子集是最优的往往指相对于特定的评价函数来说的。评价函数主要用来度量一个特征可以区分不同类别的能力。根据具体的评价方法主要有三类：过滤式、包裹式、嵌入式、过滤和包裹组合式。
3、停止条件：决定什么时候该停止
停止条件用来决定迭代过程什么时候停止，生成过程和评价函数可能会对于怎么选择停止条件产生影响。停止条件有以下四种选择：
- 达到预定义的最大迭代次数；
- 达到预定义的最大特征数；
- 增加（删除）任何特征不会产生更好地特征子集；
- 根据评价函数产生最优特征子集。
4、验证过程：特征子集是否有效
特征提取
特征提取：是通过属性间的关系，如组合不同的属性得到新的属性，这样就改变了原来的特征空间。
特征选择：是从原始特征数据集中选择出子集，是一种包含关系，没有改变原始的特征空间。
目前图像特征的提取方法主要有两种方法：传统图像特征提取方法和深度学习方法。
- 传统的特征提取方法：基于图像本身的特征进行提取
- 深度学习方法：基于样本自动训练出区分图像的特征分类器
特征选择和特征提取都属于降维。
