前团队的博士同学研究特征选择，受他影响，有所关注，总结如下。
一、评分卡传统方法
IV排序、PSI稳定性。
二、sklearn框架
略。
三、其他算法
Boruta 特征选择
python实现，https://github.com/scikit-learn-contrib/boruta_py。
可以结合参考资料1详细看下，个人理解，有点类似lime可解释性算法的思路。Boruta 会将真实特征随机打乱顺序，一起去训练可以输出模型重要性的算法，如RandomForest， lightgbm，xgboost等，并标记特征重要性、进行假设检验。
附，参考资料：
1、Boruta 特征选择，https://www.jianshu.com/p/fdc8f6a94816
