特征选择
如果特征参数不足，则很容易引发数据重叠的现象，所有分类器都将不起作用；如果特征参数太多，则可能会消耗大量时间和计算资源。特征选择可以通过消除冗余的特征来提高分类算法的准确性，并减少其计算复杂度。特征选择解决的实际问题是：当存在大量特征参数时，将对分类、回归等问题贡献度高的特征参数选择出来，而舍弃一些贡献度低的特征参数。因此，特征参数选择的困难在于其核心是解决复杂的组合优化问题。
2.3.1 故障特征优选准则
（1）去除无关特征，无关特征对模型的构建没有贡献且会增加模型的复杂度。
（2）去除冗余特征，特征参数之间存在相关性，如一个特征可由一个或多个特征推演出来，则该特征为冗余特征。或者该特征不会给模型提供新的信息，则该特征也为冗余特征，去除冗余特征可提高模型运行效率，使模型具有更好的性能。
2.3.2 故障特征优选数学模型
本文选取的故障特征优选算法为Relieff选择算法。Kononeill在1994年提出了该算法，Relieff算法能够直接对多分类问题中的参数进行选择，搜索当前样本的各种近邻，然后综合计算。Relief算法的原理是根据各个特征和类别的相关性赋予特征不同的权重，其本质是一个矢量，而特征参数的权重是各特征的统计量指标之和，权重小于某个阈值的特征将被移除。特征的权重越大，表示该特征对分类贡献度越高，反之，表示该特征对分类贡献度越低。选取对分类贡献度高的特征组成特征参数子集，即可优化选取特征。Relieff算法的主要过程如下：
(4)重复以上步骤m次，更新各特征的统计量指标。
可见，权值计算主要根据是：如果特征对分类有贡献，该特征在同类中的值应相近，而在不同分类中的值应不相近。
(5)最后可以根据统计量指标从大到小排序，选择排序靠前的特征得到合适的特征集合。
由于Relieff算法运算时间的增长与采样数和初始特征数量的增加呈线性关系，因此具有很高的运行效率。该算法不受数据类型的影响，全局搜索更优，运算效率更高。故本文在进行特征参数选取时，使用Relieff算法来减少特征参数数量，缩短模型训练时间，提高类别区分的准确率。
其中详细介绍了relieff算法的使用，下图摘自官方文档
