特征选择需组合使用多种方法：先用统计检验（如f检验、卡方检验）粗筛，再用lasso或树模型重要性筛选主力特征，最后用rfe或permutation importance验证稳定性。
特征选择不是挑几个看着顺眼的变量，而是帮模型聚焦真正影响目标值的关键信息。选得准，模型更稳、更快、泛化更好；选得乱，噪声进来了，效果反而下降。
基于统计检验的筛选（适合线性假设场景）
当目标变量和特征之间大致呈线性关系时，可以用相关系数、F检验、卡方检验等快速初筛。比如用 sklearn.feature_selection.f_regression 计算每个数值特征与连续目标变量的F统计量和p值，保留p值小于0.05的特征。分类目标可用 chi2 或 f_classif。注意：这类方法只衡量单变量与目标的关系，忽略特征间交互，适合前期粗筛，不建议直接作为最终特征集。
基于模型重要性的排序（树模型天然友好）
训练一个随机森林或XGBoost回归器后，调用 feature_importances_ 属性，就能拿到每个特征对预测的“贡献度”。可设定阈值（如平均重要性以上），或保留前N个。优点是能捕捉非线性与组合效应；缺点是重要性易受特征尺度、重复采样影响。建议配合Permutation Importance做二次验证——打乱某一列特征后看模型性能下降多少，更鲁棒。
基于嵌入式方法的自动筛选（L1正则最常用）
Lasso（LassoCV）通过L1正则强制部分系数为0，天然实现特征选择。训练完直接看哪些系数非零，就是被选中的特征。适合高维稀疏场景，但要求特征已标准化（用 StandardScaler）。类似地，LinearSVR 加 L1 惩罚、或树模型中的 select_from_model 也能嵌入筛选逻辑。关键点：交叉验证选alpha，避免过拟合导致误删重要特征。
立即学习“Python免费学习笔记（深入）”；
基于递归消除的精细化裁剪（计算成本稍高但细致）
RFE（Recursive Feature Elimination）从全特征开始，反复训练模型、剔除最不重要特征，直到剩指定数量。搭配线性回归、SVR或树模型都行。改进版 RFECV 自动选最优特征数，靠交叉验证得分判断。适合中等维度（几百特征内），但每次迭代都要重训模型，特征多时较慢。建议先用过滤法粗筛，再用RFE精调。
基本上就这些。没有银弹方法，实际推荐组合使用：先用统计法去明显无关变量，再用Lasso或树重要性定主力特征，最后用RFE或Permutation验证稳定性。特征工程的核心不是一步到位，而是有依据地迭代。
