特徵選擇是機器學習中選擇最相關特徵子集的過程，旨在簡化模型、提高準確性、減少過擬合和提升模型的可解釋性。
容易混淆
特徵選擇法 vs 特徵工程 特徵工程是把新特徵做出來。 特徵選擇法是從現有特徵裡挑出最值得保留的。
特徵選擇法 vs 降維處理 特徵選擇留下的是原本欄位。 降維處理會把欄位轉成新的低維表示。
記住這句就好
不一定要更多特徵，常常是更少但更準。
實際案例
醫療預測 病歷欄位很多，但真正和疾病相關的可能只有幾個，選對欄位能讓模型更容易解釋。
廣告點擊 很多行為欄位彼此重複，先選出最有訊號的特徵，訓練通常更快也更穩。
算法與應用
常見方法有過濾式、包裹式和嵌入式，分別對應快速篩選、模型迭代評估與內建選擇。 線性模型常搭配 L1 正則化，樹模型也常用特徵重要度做篩選。
閱讀這頁時的常見誤區
只背中英文對照，無法判斷術語的適用情境。先確認定義，再對照完整說明與相關概念，頁面中的考試比重或出題方向，必須和下方標示的資料來源一起閱讀。
相關術語
常見問題
特徵少就一定比較好嗎？
不一定，重點是保留足夠資訊，不是無腦砍欄位。
特徵選擇會不會把重要資訊刪掉？
會有這個風險，所以要配合驗證集和領域知識。
特徵選擇一定要看模型結果嗎？
最好要，不然你只是在猜哪些欄位有用。
和主成分分析哪個更直觀？
特徵選擇比較直觀，因為留下來的還是原始欄位。
資料來源
- AITerms.tw 術語資料庫，最後更新：2026-04-29。