业务上对特征值维度的要求：

统计学模型：3-15个维度，高维度可能导致维度灾难------理论

机器学习模型：50个维度，速度问题------降维

如何降维：

保留重要的特征，剔除不重要的特征

重要特征筛选：1.经验法---站队(2-3个特征)，2.经验法+数据分析法---创新(1-2个特征）不重要特征值判断：1.数据分析法+经验法(提高模型精确度---删除剩下的50%），2.数据分析法(提高模型速度--删除30%）                      剩下的用主成分分析压缩到15个以内。

处理流程：

1.经验法

2.数据分析法(使用yx相关分析，剔除与y无关的变量）

3.经验法+数据分析法(x与x相关分析)

4.数据分析法+经验法（逐步回归法）

5.主成分分析（因为前四步，已经把重要的变量筛选出来了，不重要的删除了，剩下的变量意义很模糊）

下面使用bankloan_binning(提取码：78uh）做个案例：

1.经验法（通过业务判断age_group是重要的）

这里可以只看见所定义的变量集，隐藏不关系的变量

2.数据分析法

可以删除1，4个变量

3.经验法+数据分析法

下面将使用统计学方法对变量做整合

使用新变量，删除两个被拟合的变量

4.数据法+经验法（删除变量）

5.主成分分析（若变量个数仍大于15，对整个结果进行压缩）

用两个主成分解释三个变量较为合适(包含信息量大于0.7），但是实际业务中一般要求剩余变量总数/保留主城分数>3

这里可以设置保留主城分数

即可将主成分保存为新变量