Feature Selection
Feature Selection adalah proses otomatis atau manual untuk memilih subset fitur yang paling relevan untuk digunakan dalam pelatihan model. Tujuannya adalah mengurangi dimensi data, mempersingkat waktu pelatihan, dan mencegah overfitting dengan membuang variabel yang tidak relevan (noise) atau redundan.
Konteks Penggunaan
Dalam dataset dengan 1000 kolom, mungkin hanya 50 kolom yang benar-benar mempengaruhi hasil prediksi.
Contoh
Saat memprediksi harga rumah, fitur "Luas Tanah" dan "Lokasi" sangat penting (dipilih). Namun, fitur "Warna Pagar" atau "Nama Pemilik Sebelumnya" mungkin tidak relevan dan harus dibuang (seleksi fitur) agar model lebih akurat.
Catatan
Metode populer: Recursive Feature Elimination (RFE), Lasso Regularization (L1), dan Chi-Square Test.
