Relief特征选择方法是一种filter方法。filter方法的过程如下： 
下面结合论文[1]谈下Relief算法。该算法的流程如下图： 
其中第一个参数S是训练集，第二个m是S的大小，第三个t为相关判定阈值，0<=t<=1.
1、Relief认为什么样的特征是相关的那，换句话说什么样的特征对类别具有区分性那？
以二分类为例，如果一个特征对区分0/1是有帮助的，那么该特征的分布应该不是随机的。举个不恰当的例子，假设特征f1在类别1中出现频率很大，而在类别0中却很少出现，那么f1对分类是具有贡献的。
回到Relief算法，对实例xi中的某一特征fi而言，xi中的fi应该与Near-hit的fi相近，而与Near-miss中的fi相远。[1]从统计学的角度详细说明了Relief的特征相关性选择依据。
2、Relief的优点与不足
优点：Relief对噪音不敏感，训练速度比穷举搜索Focus[2]特征选择要快。
缺点：Relief不能处理特征冗余，数据稀疏性性对降低算法的性能
最近较忙，简单介绍下，具体参考论文[1]
[1]The Feature Selection Problem：Traditional Methods and a New Algorithm ，Kenji Kira
[2] Science Society.[Almuallim & Dietterich 19911 Almuallim, H. &Dietterich, T. G., Learning With Many Irrelevant Features, Proceedings of the Ninth National