大数据时代带来了数据量的增长,数据蕴含更多价值的同时也对计算机性能提出了更高的要求。由于缺乏业务和背景知识,过多的分析变量导致计算成本的增加,对数值分析、抽样、组合、机器学习与数据挖掘等问题带来了挑战。对数据集的降维将是一个很好的解决方案,需要在保证建模效果不变的情况下削减变量数量。面对大数据环境下的数据变量存在冗余等现象的问题,本文提出了一种以Boruta特征选择降维算法为子算法的二阶段特征选择方案。本文通过前人对降维算法所研究的基础上,以图像数据为研究对象,采用Boruta特征选择算法结合智能优化算法对MNIST数据集与JAFFE数据集进行建模实验。在一阶段方案设计中,使用随机森林回归、随机森林分类、梯度提升分类等8种模型作为Boruta的子模型,结果显示使用不同的子模型表现出不同的特点,适合不同类型的数据集,其结果也不一。接着在一阶段降维基础上设计二阶段的启发式优化算法,二阶段的使用明显提升了预测精度,并根据第二阶段的特点设计了追加实验阶段,使整个方案再次降低5%至30%的变量。最后设计了用来评价模型稳定性的稳定性系数指标。结果显示,二阶段Boruta特征选择算法有助于数据的降维,在加快建模速度的基础上还提升了模型在测试集上的预测精度,稳定性也较降维前有所提升,由此说明本文提出的对大数据集的二阶段特征选择方案具有较强的可实施性与可靠性。文章最后收集大量的“明星脸”数据,用本文提出的降维方案进行降维后建模进行人脸识别项目,结果显示在更复杂的人脸数据中该方案有效,并且利用该方案制作了一款人脸识别小程序,未来可应用在工程或商业领域。本文的创新性体现在开发了一种二阶段的特征选择方案,将已有的Boruta算法与智能优化算法进行结合,可根据具有不同特性的数据选择最优降维方案,同时建立了用来评价模型稳定性的系数,为现有降维理论和应用进行了补充。