11.1 子集搜索与评价
相关特征：有用的属性
无关特征（冗余特征）：没有用属性
特征选择：选出相关特征，确保不丢失重要特性
（先特征选择，然后在训练学习器）

为什么要特征选择呢？
1.遭遇维数灾难
2.降低学习难度

特征选择方法：
1.不可行方法：遍历所有子集
2.可行方法：产生初始候选子集（子集搜索），然后评价候选子集的好坏（子集评价），之后基于评价结果产生下一个候选子集。

子集搜索：前向搜索，后向搜索和双向搜索
前向搜索：最有子集最初为空集，逐渐增加相关特征
后向搜索：从完整特征集合开始，逐渐减少无关特征
双向搜索：每一轮逐渐增加相关特征，同时减少无关特征。

子集评价：
1.特征子集A 实际上确定了对数据集D 的一个划分，每个划分区
域对应着A 上的一个取值
2.样本标记信息Y 则对应着对D 的真实划
3.通过估算这两个划分的差异，就能对A 进行评价与Y 对应的划分的差异越小， 则说明A 越好
4.信息烟仅是判断这个差异

特征选择方法分为三种：过滤式，包裹式和嵌入式

11.2 过滤式选择：
过滤式方法：先特征选择，再训练学习器，特征选择与后续学习器无关．这相当于先用特征选择过程对初始特征进行“过滤，再用过滤后的特征来训练模型．

Relief算法：先用一个向量度量特征，每个分量对应初始特征，这样特征子集可以用分量之和来表示。通过阈值或数量K来最终选择特征。

同类样本：猜中近邻
异类样本：猜错近邻

在一个样本J属性，分别求出猜中近邻，猜错近邻的距离dist1,dist2。
若dist1<dist2,则增大其属性分量，反之减少。

指出了用于平均的样本下标．实际上Relief 只需在数据集的采样上而不必在整个数据集上估计相关统计量。
Relief 的时间开销随采样次数以及原始特征数线性增长，因此是一个运行效率很高的过滤式特征选择算法。

11.3 包裹式选择
定义：已经给定一个学习训练器，然后通过学习器量身定做特征子集。
优点： 从最终学习器性能来看，包裹式特征选择比过滤式特征选择更好。
缺点：由于在特征选择过程中需多次训练学习器， 因此包裹式特征选择的计算开销通常比过滤式特征选择大得多。

LVW算法：是一个典型的包裹式特征选择方法．它在拉斯维加斯方法框架下使用随机策略来进行子集搜索，并以最终分类器的误差为特征子集评价准则。
LVW 算法中特征子集搜索采用了随机策略，而每次特征子集评价都需训练学习器，计算开销很大， 因此算法设置了停止条件控制参数T 然而，整个LVW 算法是基于拉斯维加斯方法框架，若初始特征数很多（即IAI 很大）、T 设置较大，则算法可能运行很长时间都达不到停止条件．

拉斯维加斯方法是随机化方法．若有时间限制， 则拉斯维加斯方法或者给出满足妥求的解，或者不给出解， 若无时间限制，则能给出满足要求的解。

11.4 嵌入式选择与L1正则化
嵌入式特征选择：是将特征选择过程与学习器训练过程融为一体， 两者在同一个优化过程中完成，即在学习器训练过程中自动地进行了特征选择．