1.过滤法：选择特征的时候，不管模型如何，首先统计计算该特征和和label的一个相关性，自相关性，发散性等等统计指标。
优点：特征选择开销小，有效避免过拟合
缺点：没有考虑后续的学习器来选择特征，减弱了学习器的学习能力(因为某些特征可能和label算出来相关性不大，但是可能和其他特征交叉后，会和label具有很强的关联性)
2.单变量筛选法：
a：缺失值占比
b：方差
c：频数
d：信息熵
3.多变量筛选法
计算多个变量之间自己的相关性，绘制相应的相关性图，可以使用皮尔逊相关系数，斯皮尔曼相关系数等等来作为衡量。尤其是是在线性模型当中，两个共线性的模型可能对模型并不具备促进作用，反而可能会带来一些灾难性的后果。树模型则可以不考虑这种基于多变量的筛选方法。
基于模型的验证集进行打分，是一种比较靠谱的方法，也是和最终模型的打分强相关的。
什么意思呢？也就是说我们每增加一些特征或者减少一些特征，我们就用来训练出一个模型，进行cv，也就是cross validation进行交叉验证，看模型的准确度是否是上升了。
我们基于这种方法对其进行改进，还有一种时间开销比较小的方法则是；排列重要性
也就是说，我们可以使用排列重要性这种方法对模型的特征进行验证和筛选。这种方法对于树模型来说基本上来说是最好的方法了。
如下图所示：
当我们已经train出一个模型之后，我们对这个模型某一个特征进行打乱，再对当前的数据进行预测，看准确度多少，如果模型的准确度下降比较多，那么说明该变量对模型的影响很大。如果准确度下降不多，则说明该变量对模型的影响不大，完全可以将其剔除。这是一个十分有效且时间复杂度比较低的一个特征筛选的方法，在我们进行特征工程的时候可以经常使用这个方法，这个方法的代码实现起来也并不是很难。
特征选择被嵌入到学习器的训练过程当中，利用模型参数来计算特征重要性。
线性模型：使用线性模型的系数大小进行衡量(比如逻辑回归和线性回归当中某个特征的前面的系数，看是否significant)
树模型：使用特征分裂过程当中的信息增益进行衡量
深度学习：使用注意力机制的权重进行衡量
但是模型认为重要的特征，不一定重要！因为不重要的特征可能和其他特征之间具有强相关性，因此如果剔除，也可能会对模型的效果并不一定有一定的提升。模型认为不重要的，也有可能重要。
