机器学习入门，什么是特征和特征选择？
什么是特征简单来说，机器学习可以看成一个统计过程，基于大量数据进行统计分析，并作出预测（比如，分类问题属于预测目标的分类，目标识别问题属于预测目标的数量、位置，等等）。预测，简单来说，可以是认为预测各种因素、因子与结果的相关性（概率）。这些因素、因子，称为特征（feature），也叫变量（variable）——自变量（independent variable）/ 输入变量（input variable）/ 控制变量（control variable）。
这一大堆名词说的都是一个东西。什么是特征选择特征选择，就是从特征中选出那些有助于做出预测的特征（没选中的特征不一定是无关特征，可能和预测结果有相关性，只不过比较弱，为了简化模型所以不选）。具体来说，一个是手工选择，一个是通过机器学习的技术自动选择。手工选择主要取决于领域知识和经验。自动选择的方法多种多样，不拘一格。
比如Ridge回归就可以用来做特征选择 。Ridge回归，你可以把它看成加上一个正则化因子α的逻辑回归。反过来说，逻辑回归可以看成α=0的Ridge回归。随着α的增大，会依据相关性由低到高依次移除特征，直到所有特征都被移除。迭代尝试不同数量级的α的值，可以自动选择特征。（图片来源：towardsdatascience.com）上图是一个Ridge回归的例子。
机器学习中，特征提取和特征选择有什么区别？
回答分2部分，第一部分为特征提取和特征选择的区别，第二部分为sklearn相应的模块及中英文文档。1. 特征提取和特征选择区别：特征提取（Feature Extraction）:特征选择（Feature Selection）:两者对比图：2. sklearn中相关a. 数据预处理: sklearn.preprocessingb. 特征提取: sklearn.feature_extractionc. 降维: sklearn.decompositiond. 特征选择: sklearn.feature_selection详情请查看官方文档或中文文档：如果对你有帮助，请点赞支持。
