判断机器学习是否好用，关键不在功能堆得多，而在核心思路很简单、实现方式、校正策略能不能解决真实需求。先看使用边界，再看具体做法。

先看原文给出的关键信息：在做机器学习建模的时候，经常遇到一个让人头疼的情况：手上有几十甚至上百个特征，到底哪些该留、哪些该丢？；之前两篇说明了通过 方差阈值 和 相关性分析 来过滤特征，今天这篇说明一种新的过滤特征的方式，也就是用统计检验来判断一个特征到底跟目标变量有没有关系。；本质上就是给每个特征打一个"显著性分数"，接着卡个阈值做筛选。。继续往下处理时，重点放在这些条件上：实现方式实现这个基于统计显著性检验的特征选取器 ，采用了三层架构。；几点留意事项几个要留意的地方：统计检验是"单变量"做法这类做法每次只看一个特征和目标变量的关系，不会考虑特征之间的交互作用。；比如特征 A 单独看没用，但 A + B 组合起来可能很有用——这种情况统计检验发现不了。。收尾检查时，再把这些细节对上：所以它更适合做初步筛选，后面能再配合其他做法（比如基于树模型的特征重要性）做进一步选取。；先看看数据再跑检验跑之前最好先做一些基本的探索性分析。；大多数检验做法不接受缺失值卡方检验要求特征非负，如果说特征有负数，要做平移如果说特征的尺度差异很大，更适合先做标准化不要盲目信赖 p 值p 值小于 0.05 不代表这个。