刘浩与Taylor 2008：计算特征选择方法综述

"《计算特征选择方法》(Computational Methods of Feature Selection)是由Huan Liu和Hiroshi Motoda于2008年合作撰写的一本专著，收录在Chapman & Hall/CRC的Data Mining and Knowledge Discovery Series中。该系列书籍旨在捕捉数据挖掘和知识发现领域的新发展与应用，同时系统地介绍数据分析中实用的计算工具和技术。本书作者深入探讨了特征选择这一关键概念，它在理解复杂数据集以及数据挖掘过程中起着至关重要的作用。 特征选择是机器学习和数据分析中的一个核心环节，其目标是从原始数据中识别出最具预测能力或解释力的特征子集，以减少冗余信息、提高模型效率和泛化性能。书中涵盖了广泛的理论框架，包括但不限于数学、统计学和计算机科学的方法，通过实例和应用案例来阐述各种特征选择算法，如过滤式方法（如卡方检验、互信息等）、包裹式方法（逐步正向/反向选择）和嵌入式方法（如Lasso回归、决策树中的最佳特征选择）。 作者强调了在实际项目中结合具体应用场景的重要性，因为特征选择的效果往往取决于数据的特性和问题的特性。书中还探讨了如何利用矩阵分解技术（如主成分分析、奇异值分解等）来简化数据表示，以便更有效地进行特征选择。 此外，该书作为系列的一部分，提倡跨学科的融合，鼓励读者理解和掌握数据挖掘和知识发现的理论基础、模型构建、算法设计和基础理论，以及如何通过可视化手段来呈现数据和知识结构。《计算特征选择方法》是一本全面且实用的参考书籍，对于数据科学家、机器学习工程师和研究人员来说，是提升数据分析技能和解决实际问题的重要资源。"