Weka内置特征选择算法整理
属性评估⽅法：
CfsSubtEval：根据属性⼦集中每⼀个特征的预测能⼒以及它们之间的关联性进⾏评估。
ChiSquaredAttributeEval：根据与分类有关的每⼀个属性的卡⽅值进⾏评估。
考试前焦虑怎么办ClassifierSubtEval：根据训练集或测试集之外的数据评估属性⼦集。
四季悦温泉
ConsistencySubtEval：根据利⽤属性⼦集进⾏分类时得到的分类值的⼀致性进⾏评价。
CostSensitiveAttributeEval：根据使其基础⼦集评估开销敏感性，变化选择⼦集评估⽅法。北京青年任知了
CostSentitiveSubtEval：⽅法同上。
鲫鱼做法大全菜谱FilteresAttributeEval：运⾏在任意过滤器之后的数据上的任意属性评估。
FilteredSubtEval：⽅法同上。
GainRatioAttributeEval：根据与分类有关的每⼀个属性的增益⽐进⾏评估。
csgo技巧
郭店楚墓竹简
InfoGainAttributeEval：根据与分类有关的每⼀个属性的信息增益进⾏评估。
浩如烟海LatenSemanticAnalysis：根据数据的潜在的语义分析和转换进⾏评估，与随机搜索结合。
OneRAttributeEval：根据OneR分类器评估属性。
PrincipalComponents：根据数据的主要成分分析和转换进⾏评估。
ReliefFAttributeEval：通过反复测试⼀个实例和其同类或不同类中最近的实例上的属性值进⾏评估。
SignificanceAttributeEval：计算双向功能的概率意义评估属性值。
SymmetricalUncertAtrributeEval：根据与分类有关的每⼀个属性的对称不稳定性进⾏评估。
SymmetricalUncertAtrributeSetEval：根据与其他属性集有关的每⼀个属性的对称不稳定性进⾏评估。
WrapperSubtEval：使⽤⼀种学习模式对属性集进⾏评估。法律分析
注：Filter类型的评估⽅法关注每⼀个属性的预测能⼒（最优特征⼦集由预测能⼒最强的那些单个属性组成），其⼀般借鉴统计、信息论的思想，根据数据集内在特性来进⾏评估；Wrapper类型的评估⽅
法是⽤后续的学习算法嵌⼊到特性选择⽅程中，通过测试特征⼦集在此算法上的预测性能来决定其优劣。
搜索算法：
BestFirst：可回溯的贪婪搜索扩张，最好优先原则。
ExhaustiveSearch：穷举搜索，从空集出发。
FCBFSearch：基于相关性分析的特征选择⽅法。相关性匹配搜索。
GeneticSearch：Goldberg（1989）提出的简单遗传算法。
GreedyStepwi：向前或向后的单步搜索。
LinearForwardSelection：线性向前搜索。
RaceSearch：⽐较特征⼦集的交叉验证错误情况。
RandomSearch：随机搜索。
Ranker：对属性值排序。
RankSearch：选择⼀个评估器对属性进⾏排序。
ScatterSearchV1：离散搜索。
SubtSizeForwardSelection：按照特征⼦集⼤⼩向前线性搜索，这是线性搜索的扩展。TabuSearch：禁忌搜索。
