随着信息技术的发展、数据采集和存储技术的进步，人们获得数据的能力急剧提高，并且已经拥有的大量数据还在不断以指数级的速度增长。然而，这也给如何有效地利用数据带来了严峻的挑战。现实世界的数据集中常常含有与数据挖掘任务无关且多余的特征；此外，“维度效应”的存在也使得数据挖掘问题不得不将注意力集中在目标数据集的部分子集上。因此，对于一个高维度的数据集，如果不事先设法去掉多余的特征，模型的效果就会受到很大的影响；降低多余的、不相关特征的个数可以减少模型的训练时间，产生一个更加简洁和易于理解的模型。 近十年来，特征选择研究引起了学界的广泛兴趣，各种新思想和新方法层出不穷，并呈现出多样化和综合性的趋势。各种新搜索算法和评估标准都应用到特征选择研究中去。如粗糙集算法、神经网络剪枝法、支持向量机的评估标准、特征集的模糊熵评价、马尔可夫算法等。并且除有指导学习的特征选择研究外，也开展了关于无指导学习的特征选择研究。另外还出现了关于特征选择算法融合性的研究，如关于Filter方法和Wrapper方法结合的研究，特征选择和样本选择的组合研究，结合特征选择算法和聚类、分类、关联分析的研究等等。 各种新方法新理论的存在，一方面说明了特征选择研究的重要意义，另一方面也为如何准确理解和把握特征选择问题造成了困难。本论文在研究了大量流行的和领先的特征选择方法后，提出了基于“特征重要因子”的特征选择策略，该策略旨在建立一种一致的、普遍适用的、能够从方法论的宏观角度出发的策略。该策略将特征选择问题转化为一个两阶段的问题，即首先通过“特征重要因子”度量特征的重要程度，再利用“特征重要因子”确定重要的特征。针对分类问题，提出并比较了基于决策树的特征重要因子确定方法，通过在UCI数据集的实验研究，证实了基于“特征重要因子”的特征选择策略的可行性和有效性，并给出了实用的特征选择建议方案。在电信和医疗的真实数据集的应用分析和比较，则证明了此种策略的通用性和实用价值。在基于“特征重要因子”的特征选择策略中，“特征重要因子”的确定具有重要的意义，是此策略的核心。特征重要因子值的大小也反映了特征的重要程度，即特征重要因子的值越大，该特征越重要。若按特征重要因子进行降序排序，则排序的结果就是特征重要程度的排序结果。通过对特征重要因子进行规范化处理，使得特征重要因子的取值在0～1之间，其中1对应的特征为强重要特征，接近于0的为弱重要特征。针对分类问题，本论文分别采用基于信息增益、信息增益比的特征重要因子确定方法和基于决策树结构的特征重要因子确定方法确定特征的重要程度，并加以比较，给出相应的重要特征选择建议。 本论文的研究是一个开始，由于数据挖掘研究与应用领域的广泛性，如何针对不同问题确定“特征重要因子”，并给出基于“特征重要因子”的特征选择方法和建议，是我们以后需要研究的重点之一。此外，今后的特征选择研究，除通常意义的0～1特征选择(Crisp Feature Selection)外，更多关注的是基于“特征重要因子”度量的模糊特征选择(Fuzzy Feature Selection)。最后，本文给出的实用解决方案仅适用于分类问题，将本文的方案应用于其它问题的特征选择是我们将要进行的另一项工作。