对于降维，我看可以简单理解为减少数据的维度，说白了就是减少变量个数。文末的视频墙裂推荐观看一下。
特征选择：不改变变量的含义，仅仅只是做出筛选，留下对目标影响较大的变量。
Backward Elimination（反向淘汰）Forward Selection（正向选择）Bidirectional Elimination（双向淘汰）Score Comparison（信息量比较）
前面三种机制差不多，反向淘汰其实之前的文章写过实例应用的：反向淘汰
对于正向选择，其实大致就是反向淘汰的逆过程。每个变量在加入模型前进行显著水平与设置的显著阈值进行比较，小于则加入模型，否则不加入。
双向淘汰是反向淘汰结合正向淘汰，因此需要设置两个水平显著值，一个用于反向淘汰判断变量是否该剔除出模型，一个用于正向选择判断变量是否应该加入模型。
信息量比较也写过实例：信息量比较
特征提取：从数据集中的m个变量中提取p个新的变量（p<=m），这p个变量可以很好的解释自变量的差异性（数学上的表现为方差），这一步相当于数据预处理的一步，与因变量无关，因而是个无监督问题。常用到PCA（主成分分析）和KernelPCA（核函数主成分分析）-特殊PCA
PCA工作其实是在寻找最大方差所属的方向------摘自某套教程的解释。
并且PCA中特征缩放是必须的，因为必须保证变量在同一个数量级，否则，数值大的贡献很大，导致我们可能忽略了数值小却很至关重要的特征。
PCA基本工作步骤：
将X记为包含了m个自变量的矩阵，对x进行特征缩放计算x的方差矩阵，记作A计算矩阵A的特征值和特征向量，对特征值进行自大到小排序选择需要解释方差的百分比P，借此进行特征选择p个（这里的特征是我们提取到的，区别于m中的任意一个变量）
这里的p个特征就是我们留下的新特征了
from sklearn.preprocessing import StandardScalerss = StandardScaler()x = ss.fit_transform(x)from sklearn.model_selection import train_test_splitx_train,x_test,y_train,y_test = train_test_split(x,y,test_size = 0.25,random_state = 0)from sklearn.decomposition import PCApca = PCA(n_components=None) #当为None时我们只是取p = m，并没有进行取舍。x_train = pca.fit_transform(x_train)x_test = pca.transform(x_test)print('各个变量的解释方差能力：'+str(pca.explained_variance_))#这个步骤会自动得出每个变量的解释方差的能力，并自大到小排序。方便我们进行取舍。
假设我们的P设置为80%，则我们需要用到上述代码的结果的p个变量解释方差达到80%。这里就确定了p的取值。接下来可以在运用一次：
from sklearn.decomposition import PCApca = PCA(n_components=p) #这里的p时上个代码片得出的px_train = pca.fit_transform(x_train)x_test = pca.transform(x_test)
注意重新生成的变量是我们高度概括的结果。区别于原来的变量。
核函数PCA也差不多一样的步骤，不过用到的是别的包：
from sklearn.decomposition import KernelPCA
核函数PCA可以将原本线性不可分的变量，投射到更高维的空间，从而变得线性可分，在将结果投射回低维。关于这个过程，这里有一个youtebe的演示视频，可以很好的帮助理解。
链接：/s/1NQG5QGDZId-IcEUs1HcwfA 密码：a7m0
详细用法可以自行查看官方的文档。
