---
title: "特徵選擇法（Feature Selection）"
slug: feature-selection
language: zh-TW
source: https://aiterms.tw/terms/feature-selection
updated_at: 2026-04-29
tags: [機器學習, 資料處理, 特徵工程, 模型訓練, 模型評估, 最佳化, iPAS中級]
ipas_term: false
---

# 特徵選擇法（Feature Selection）

> **你有沒有一堆欄位在手上，卻只想留下真正有用的那幾個？**
>
> 你可以把特徵選擇想成篩掉雜訊，留下最有價值的資料欄位，讓模型更專心看重點。
>
> 它重要，是因為欄位太多不一定更好，很多時候只會讓模型更慢、更亂，甚至更容易過擬合。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 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。

### iPAS 考題
> **Q：特徵選擇法的目的為何？**
> → 保留最有用的特徵，降低模型複雜度，並減少噪聲和過擬合風險。
>
> **Q：特徵選擇法和降維處理差在哪裡？**
> → 特徵選擇留下原始欄位，降維處理會產生新的低維特徵表示。

### 情境判斷
> **Q1：如果特徵很多，但模型表現變差，先考慮特徵選擇合理嗎？**
> → 合理，因為多餘或重複的特徵可能讓模型更難學。
>
> **Q2：把所有特徵都留著，一定比選過更好嗎？**
> → 不一定，若訊號很雜，選過的特徵反而常更穩、更容易解釋。

### 常見問題
> **Q：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。
>
> **Q：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。
>
> **Q：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。
>
> **Q：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。

### 相關術語
> - **特徵工程**：先有特徵，才有東西可以選。
> - **降維處理**：想壓縮資訊時，常會和特徵選擇一起比較。
> - **主成分分析**：讀完它，會更懂什麼叫轉換後的特徵。
> - **L1 正則化**：常用來做內建式特徵選擇。
> - **機器學習**：大多數選擇方法都是為了讓模型學得更好。

---

來源：https://aiterms.tw/terms/feature-selection
快查頁：https://aiterms.tw/terms/feature-selection
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-feature-selection