業務上對特征值維度的要求：
統計學模型：3-15個維度，高維度可能導致維度災難------理論
機器學習模型：50個維度，速度問題------降維
如何降維：
保留重要的特征，剔除不重要的特征
重要特征篩選：1.經驗法---站隊(2-3個特征)，2.經驗法+數據分析法---創新(1-2個特征）不重要特征值判斷：1.數據分析法+經驗法(提高模型精確度---刪除剩下的50%），2.數據分析法(提高模型速度--刪除30%）? ? ? ? ? ? ? ? ? ? ? 剩下的用主成分分析壓縮到15個以內。
處理流程：
1.經驗法
2.數據分析法(使用yx相關分析，剔除與y無關的變量）
3.經驗法+數據分析法(x與x相關分析)
4.數據分析法+經驗法（逐步回歸法）
5.主成分分析（因為前四步，已經把重要的變量篩選出來了，不重要的刪除了，剩下的變量意義很模糊）
下面使用bankloan_binning(提取碼：78uh）做個案例：
1.經驗法（通過業務判斷age_group是重要的）
這里可以只看見所定義的變量集，隱藏不關系的變量
2.數據分析法
可以刪除1，4個變量
3.經驗法+數據分析法
下面將使用統計學方法對變量做整合
使用新變量，刪除兩個被擬合的變量
4.數據法+經驗法（刪除變量）
5.主成分分析（若變量個數仍大于15，對整個結果進行壓縮）
用兩個主成分解釋三個變量較為合適(包含信息量大于0.7），但是實際業務中一般要求剩余變量總數/保留主城分數>3
這里可以設置保留主城分數
即可將主成分保存為新變量
