过滤式特征选择法适用场景

过滤式特征选择法是一种基于特征本身的统计量或相关性来评估特征重要性的特征选择方法。适用场景包括：

1. 数据集中特征数量庞大，需要减少特征数量以降低模型复杂度和提高模型训练速度。

2. 数据集中一些特征与目标变量之间存在较强的相关性，而其他特征与目标变量之间的相关性较弱或不存在，需要选择与目标变量相关性较强的特征进行建模。

3. 数据集中特征之间存在较强的相关性，需要选择与目标变量相关性较强且与其他特征之间相关性较弱的特征进行建模。

需要注意的是，过滤式特征选择法只考虑特征与目标变量之间的关系，而不考虑特征与其他特征之间的关系，因此可能会忽略一些重要的特征。在实际应用中，需要综合考虑多种特征选择方法，并根据具体情况选择合适的方法。