如果希望减少数据集中的特征数量，则可以采取的措施有（）。

正向选择法（Forward Selection）是首先选择一个特征，每个特征都试一遍，选择对模型准确率提升最高的那个特征；然后再在这个特征基础上添加另外一个特征，方法类似，直到模型准确率不再提示为止。反向消除法（Backward Elimination）是首先包含了所有的特征，然后尝试删除每个特征，最终删掉对模型准确率提升最高的一个特征（如果删除这个特征模型准确率反而增加了，则说明这个特征是无用特征）。以此类推，直到删除特征并不能提升模型为止。相对于正向选择法，反向消除法的优点在于其允许一些低贡献值的特征能够进到模型中去（有时候低贡献值的特征能在组合中有更大的贡献值，而正向选择法忽略了这种组合的可能性），因此反向消除法能够避免受一两个占主导地位的特征的干扰。另外还有一种特征选择方法是逐步选择消除法（Stepwise），该方法结合上述两者的方法，新加入一个特征之后，再尝试删去一个特征，直至达到某个预设的标准。这种方法的缺点是预设的标准不好定，而且容易陷入到过拟合当中。除此之外，也可以使用基于相关性的特征选择，可以去除多重线性特征。