这一部分主要介绍和特征处理相关的算法，大体分为以下三类：
1）特征抽取：从原始数据中抽取特征
2）特征转换：特征的维度、特征的转化、特征的修改
3）特征选取：从大规模特征集中选取一个子集
特征选择（feature Selection）指的是在特征向量中选择出那些优秀的特征，组成新的、更精简的特征向量的过程。它在
高维数据分析中十分常用，可以剔除掉‘冗余’和‘无关’的特征，提升学习器的性能。
特征选择方法和分类方法一样，也主要分为有监督（Supervised）和无监督(Unsupervised)两种，卡方选择则是统计学上常用的一种有监督特征选择方法，它通过对特征和真实标签之间进行卡方检验，来判断该特征和真实标签的关联程度，进而确定是否对其进行选择。和ML库中的大多数学习方法一样，ML中的卡方选择也是以estimator+transformer的形式出现的，其主要由ChiSqSelector和ChiSqSelectorModel两个类来实现。
可以参考如下链接：
1)引入卡方选择器所需要使用的类：
2)创造实验数据，这是一个具有三个样本，四个特征维度的数据集，标签有1，0两种，我们将在此数据集上进行卡方选择：
3）用卡方选择进行特征选择器的训练，为了观察地更明显，我们设置只选择和标签关联性最强的一个特征可以通过numTopFeatures参数方法进行设置）：
4）用训练出的模型对原数据集进行处理，可以看见，第三列特征被选出作为最有用的特征列：
