无监督特征选择方法是什么？目的是什么？有哪几种常见方法

无监督特征选择方法指的是在没有标签信息的情况下，从原始数据中选择最有代表性的特征，以便于后续的建模和分析。其目的在于降低数据维度，减少噪声和冗余信息，提高模型的稳定性和准确性。

常见的无监督特征选择方法包括：

1. 方差选择法（VarianceThreshold）：选择方差较大的特征，剔除方差较小的特征。

2. 相关系数法（Pearson Correlation）：计算特征之间的相关系数，选择与目标变量相关性较强的特征。

3. 主成分分析法（PCA）：将原始数据进行降维，选择具有最大方差的主成分。

4. 独立成分分析法（ICA）：将原始数据进行独立成分分析，选择具有较大独立性的成分作为特征。

5. 非负矩阵分解法（NMF）：将原始数据分解为非负矩阵的乘积，选择具有较大因子值的特征。

6. 核主成分分析法（Kernel PCA）：通过核函数将原始数据映射到高维空间，再进行主成分分析，选择具有最大方差的主成分。