2024年11月6日，数据科学与大数据技术教研室在电北412开展“基于包裹式特征选择算法的研究与应用”教研活动，本次活动由杜盼盼老师和田恬恬老师主持，教研室全体教师参加。

会议伊始，杜老师简要介绍了此次会议的背景、目的及主要议题，强调包裹式特征选择算法在机器学习和数据挖掘领域具有重要意义。本次活动旨在深入探讨其原理、方法、应用及未来发展趋势。

随后，杜老师介绍了包裹式特征选择算法的基本原理，即通过将特征选择问题转化为优化问题，利用模型性能评估特征子集的好坏，从而选择最佳特征组合。杜老师详细阐述了包裹式特征选择算法的一般步骤，包括初始化特征子集、使用评价函数评估特征子集、选择最优特征子集、更新特征子集以及循环迭代直至满足停止条件。

接着，田老师补充介绍了几种常见的包裹式特征选择方法，如递归特征消除（RFE）、递归特征添加（SFS）、遗传算法、粒子群优化算法和模拟退火算法等，并分析了各自的优缺点及适用场景。尽管包裹式特征选择算法在多个领域取得了显著成果，但其仍面临计算成本高、过拟合等挑战。田老师表示，可以通过引入多目标优化、混合算法优化等方法来提高特征选择的效果和性能，并进一步强调了数据集大小和特征维度对包裹式算法的影响，探讨了如何设计具有可扩展性的包裹式算法以适应大规模数据集。

最后，全体老师就如何平衡计算成本和性能提升、如何结合其他特征选择方法的优势进行了深入讨论，指出包裹式特征选择算法在机器学习和数据挖掘领域具有广阔的应用前景。未来，应深入研究，探索其在更多领域的应用，并加强与其他特征选择方法的结合，以实现优势互补，从而为未来的研究工作提供新的思路和方向。

(文案\田恬恬 杜盼盼…图片\田恬恬 杜盼盼 审：乔圣宸)