如何确定模型中可删除的特征？以联合循环电厂数据集为例

首先纠正一个小表述问题：PE是你要预测的目标变量，并非输入特征，所以你给出的5个系数应该是**截距 + 四个输入特征（AT、V、AP、RH）**的权重。不过基于你提供的权重数值，咱们来分析：

因为数据已经完成归一化，所有特征的尺度一致，此时线性回归权重的绝对值大小可以直接反映特征对目标变量PE的影响程度——绝对值越小，特征的预测贡献越弱。

看四个特征的权重绝对值：

• AT：14.41
• V：3.12
• AP：0.38
• RH：2.06

很明显，AP的权重绝对值是四个特征里最小的，所以你判断删除AP是合理的。

不过有几个实操细节需要留意：

• 确认你的归一化是对所有输入特征做了统一处理（比如标准化为均值0、方差1，或者归一化到[0,1]区间），只有尺度一致，权重对比才有意义。
• 删除AP后，一定要重新训练线性回归模型，对比删除前后的模型性能指标（比如R²、MSE）。如果性能下降微乎其微，说明AP确实是冗余的弱特征；如果下降明显，可能是特征间存在关联，导致AP的权重被其他特征稀释了，这时候就得重新评估。
• 对比下来，RH的权重绝对值远大于AP，所以优先删除AP是没问题的。

结论：你的判断是正确的，优先删除AP是合理的特征选择方向。

内容的提问来源于stack exchange，提问作者danial