在機器學習中，輸入的資料欄位稱為 feature(特徵)，輸出的欄位稱為 Label(標籤)，如果資料特徵與模型無關或不重要，通常會干擾模型，影響結果，所以不是所有的特徵都要拿來做訓練，需要透過篩選，在 Azure Machine Learning Studio 中，可以使用 Filter-Based Feature Selection 來篩選有用的特徵，Filter-Based Feature Selection 提供多種特徵篩選法，有以下 7 種：

1. Pearson Correlation 皮爾森相關
   兩個連續變數之間的線性相關
2. Mutual Information 互信息
   變量間的相互依賴度
3. Kendall Correlation 肯德爾相關
   兩個變量的相關性強度
4. Spearman Correlation 斯皮爾曼相關
   兩個變數依賴性的非參數指標
5. Chi-Squared 卡方
   測量期望值有多接近實際結果的統計方法
6. Fisher Score 費雪法
   表示一個變量所依賴的某一未知參數的信息量
7. Count-Based 計數統計
   計算所有值的頻率，根據頻率數給分

Filter-Based Feature Selection 特徵篩選

位置：Feature Selection / Filter Based Feature Selection

1. 以成人收入調查的二元分類資料集為例，新增"Filter Based Feature Selection"，將資料集的輸出接至 Filter Based Feature Selection 的輸入，選擇特徵篩選方法 Pearson Correlation，Target column 目標欄位選擇要預測的結果
   

2. 選擇 income 收入為 Target column 目標欄位
   

3. 設定挑選 3 個特徵，會篩選出 3 個分數最高的特徵，執行後可以右鍵點選 Visualize 查看篩選結果
   

4. 篩選出與收入最相關前 3 個的特徵為：education-num 教育程度、age 年齡、hours-per-week 每週工時
   

5. 也可以查看每個特徵透過 Pearson Correlation 方法篩選獲得的分數，輸出點選滑鼠右鍵，選擇 feature > Visualize
   

6. 從下圖結果可以看到各個特徵的皮爾森相關值：

• 教育程度的皮爾森相關 = 0.335154
• 年齡的皮爾森相關 = 0.234037
• 每週工時的皮爾森相關 = 0.229689
• 其餘特徵的皮爾森相關 = 0 ，是因為不是數值資料型態，無法算出皮爾森相關分數