這一部分主要介紹和特徵處理相關的演算法，大體分為以下三類：
1）特徵抽取：從原始資料中抽取特徵

2）特徵轉換：特徵的維度、特徵的轉化、特徵的修改

3）特徵選取：從大規模特徵集中選取一個子集

特徵選擇（feature Selection）指的是在特徵向量中選擇出那些優秀的特徵，組成新的、更精簡的特徵向量的過程。它在

高維資料分析中十分常用，可以剔除掉‘冗餘’和‘無關’的特徵，提升學習器的效能。

特徵選擇方法和分類方法一樣，也主要分為有監督（Supervised）和無監督(Unsupervised)兩種，卡方選擇則是統計學上常用的一種有監督特徵選擇方法，它通過對特徵和真實標籤之間進行卡方檢驗，來判斷該特徵和真實標籤的關聯程度，進而確定是否對其進行選擇。和ML庫中的大多數學習方法一樣，ML中的卡方選擇也是以estimator+transformer的形式出現的，其主要由ChiSqSelector和ChiSqSelectorModel兩個類來實現。

可以參考如下連結：

1)引入卡方選擇器所需要使用的類：

2)創造實驗資料，這是一個具有三個樣本，四個特徵維度的資料集，標籤有1，0兩種，我們將在此資料集上進行卡方選擇：

3）用卡方選擇進行特徵選擇器的訓練，為了觀察地更明顯，我們設定只選擇和標籤關聯性最強的一個特徵可以通過numTopFeatures引數方法進行設定）：

4）用訓練出的模型對原資料集進行處理，可以看見，第三列特徵被選出作為最有用的特徵列：