在分类任务中，我需要进行特征选择。因此，在featSize = 98个特征（变量）中，我想知道哪些是适用的。对于每一种组合，我通过调整其超参数来训练分类器。我在使用for循环时遇到了一个问题：

  for b = 1:(2^featSize) - 1        % 这是为了选择特征。例如，[1 0 0]在featSize = 3时选择了三个特征中的第一个。
end

Matlab 给出了警告：警告：for循环迭代次数过多。在9223372036854775806次迭代后停止。我使用for循环的方式是否过于繁琐？有没有其他替代方法来完成这一步骤？

回答：

为每一种可能的特征组合构建模型是不可行的。从你的for循环中可以看出，你需要构建指数级数量的模型来覆盖每个特征子集。

有许多实用的特征选择方法可以实现。最接近你的方法的是前向选择。许多算法提供了正则化参数（例如LASSO或岭回归）。这里讨论了一些回归的选项 https://stats.stackexchange.com/questions/127444/a-guide-to-regularization-strategies-in-regression

这个演讲涵盖了特征选择问题的多种方法 https://www.youtube.com/watch?v=JsArBz46_3s&index=21&list=PLGVZCDnMOq0ovNxfxOqYcBcQOIny9Zvb-&t=0s