在统计和机器学习中，特征选择（也称为属性选择，可变子集选择或变量选择）是提出用于构建模型的相关特征（变量，预测器）子集的过程。特征选择技术被广泛应用于三种原因：简化模型，使其更容易被用户/研究人员解释，更短的训练时间，通过减少拟合来提高概括。中央前提是在采用特征选择技术时，数据包含多种功能，可以无关或冗余，因此可以在不造成大量信息损失的情况下移除。无关或冗余特征是两个不同的概念，因为在存在另一个相关特征的情况下，一个相关特征可以是冗余的，因为它在很大程度上与之相关。

特征选择算法可以被认为是用于选择新的特征子集的搜索技术的组合和评估测量，其分为不同的特征子集。最简单的算法是测试每个特征子集查找最小化错误率的特征。这是对空间的详尽搜索，并且对于所有特征集来说，都是计算的。评估度量的选择严重影响算法，是这些评估度量，可区分特征选择算法的三个主要部分：

• 包装方法使用预测模型来得分特征子集。每个新子集应用于培训一个模型，该模型在遏制集上测试。
• 过滤方法使用代理度量而不是错误率来得分特征子集。
• 嵌入式方法是一个捕获的所有技术，它是特征选择作为模型施工过程的一部分。

特征选择的应用

• SNPS学习
• 微阵列
• 光谱质量
• 疾病研究（例如阿尔茨海默病）

如何下订单：

*如果您的组织需要签署保密协议，请通过电子邮件与我们联系

作为世界领先的Omics行业公司之一！创意蛋白质组学现在正在为客户提供功能选择分析服务。在生物信息学领域拥有超过8年的经验，我们愿意为客户提供最优秀的服务！联系我们获取所有详细信息！