在本文中，我们将探讨各种特征选择方法和技术，用以在保持模型评分可接受的情况下减少特征数量。通过减少噪声和冗余信息，模型可以更快地处理，并减少复杂性。
我们将使用所有特征作为基础模型。然后将执行各种特征选择技术，以确定保留和删除的最佳特征，同时不显著牺牲评分（R2 分数）。使用的方法包括：
- 相关性矩阵
- 检查方差膨胀因子（VIF）
- Lasso作为特征选择方法
- Select K-Best（f_regression 和 mutual_info_regression）
- 递归特征消除（RFE）
- 顺序前向/后向特征选择
https://avoid.overfit.cn/post/193a9516b36c48a7987766746ef20e8f
标签：效能,特征选择,模型,特征,精简,regression From： https://www.cnblogs.com/deephub/p/18324847