来源：DeepHub IMBA本文约1800字，建议阅读5分钟 在这篇文章中，我们演示了正确执行特征选择的实用程序。 当我们执行一项监督任务时，我们面临的问题是在我们的机器学习管道中加入适当的特征选择。只需在网上搜索，我们就可以访问讨论特征选择过程的各种来源和内容。 总而言之，有不同的方法来进行特征选择。文献中最著名的是基于过滤器和基于包装器的技术。在基于过滤器的过程中，无监督算法或统计数据

这是我的第258篇原创文章。 一、引言        Boruta是一种基于随机森林算法的特征筛选方法。其核心是基于两个思想：随机生成的特征（shadow features）和 不断迭代（循环），它通过循环比较原始特征（real features）和随机生成的特征（shadow features）的重要性来确定哪些特征与因变量相关。它可以应用于任何需要特征选择的监督学习问题，帮助我们确定哪