在数据挖掘流程里，特征选择扮演什么角色？请列举并简要说明几种常见的特征选择实现方式。

回答思路

1. 【回答框架 1】特征选择是从原始特征集合中挑选出对模型预测贡献最大、冗余度最低的子集的过程，目标是降低维度、减少过拟合、提升训练效率与模型可解释性。
2. 【回答框架 2】常用方法分为三类：过滤式（Filter）基于统计指标如方差、相关系数、卡方检验、互信息对每个特征独立评分，不依赖具体模型，计算快但忽略特征间组合效果。
3. 【回答框架 3】包裹式（Wrapper）如递归特征消除（RFE）以模型性能为准则反复训练并删除弱特征，效果较好但计算开销大，容易过拟合。
4. 【回答框架 4】嵌入式（Embedded）如L1正则化（Lasso）、决策树与随机森林的特征重要性、XGBoost的增益重要性，将特征选择融入模型训练过程，兼顾效率与效果。
5. 【回答框架 5】实际使用中需根据数据规模、模型类型与业务需求综合选择，并注意特征共线性、重要性不稳定等问题。
6. 【关键点 1】特征选择旨在降低维度、缓解过拟合并提高模型可解释性。
7. 【关键点 2】主要方法为过滤式、包裹式和嵌入式三类。
8. 【关键点 3】过滤式依赖统计指标，包裹式以模型性能评估特征子集，嵌入式在训练中自动选择。
9. 【易错点 1】过滤式可能忽略特征组合的联合作用。
10. 【易错点 2】包裹式计算量大且易过拟合。
11. 【易错点 3】嵌入式特征重要性可能受特征共线性影响而失真。