特徵選取（feature selection），又稱子集選取（subset selection），通常使用於機器學習領域，乃是結合學習演算法，依據特定的效能評估指標，從原有的特徵集合中挑選出具有鑑別能力且有效的特徵，藉以決定最佳的特徵子集合，使其效能指標達到最佳化的過程。簡單來說，特徵選取是希望盡量在無損於學習演算法效能的情況下，過濾掉沒有效用、不具有關鍵影響力，以及有著重複或類似鑑別能力的雜訊特徵，最後僅保留下真正對效能指標有影響的特徵，以達到降低特徵空間（feature space）維度（即，特徵數量）的目的。此舉不但能夠減少學習演算法計算時的複雜度，提高機器學習的效率，還可以進一步提升效能評估的結果，甚至增進學習模型的可解讀性與模型分析的可行性

教育百科:https://pedia.cloud.edu.tw/Entry/Detail/?title=%E7%89%B9%E5%BE%B5%E9%81%B8%E5%8F%96&search=%E7%89%B9%E5%BE%B5