这是一种认为为真的想法：$(B)$

您有两个类，通常我们分类为。您需要选择一个增加的特征。$Z=0, 1$$P(Z=1| X) >0.5$$P(Z=1|feature)$

我认为，如果您假设正态性并使用LDA（我的意思是假设不同类别的特征方差相等），那么您应该能够将问题与特征的均值联系起来。如果您以这种方式看待问题，我也认为 2 是唯一正确的答案。

假设 a其中。然后 如果。$P(Z=1| feature) =$$\mu_{feature} + b$$a>0$$P(Z=1|x) > P(Z=1|Y)$$\mu_x > \mu_y$

选项 B 是错误的。

我假设特征选择的目的是识别有助于区分类别的预测因子。从表面上看，如果两个类在类条件期望中观察到的差异大于在机会+测试假设下合理发生的差异，那么应该使用该预测器来构建模型。

假设符号$\mu_1 - \mu_2$确实很重要，并进一步假设我们会选择特征$x$因为我们拒绝测试的空值。类的标签是任意的，所以交换它们$W_1$到$W_2$反之亦然。重要的是要强调数据本身没有任何变化，只有类标签。

在这种排列下，符号$\mu_1 - \mu_2$会翻转，我们将无法拒绝空值，因此不会选择$x$作为一个特点。这不是该过程的理想属性。我们选择的特征不应该依赖于任意标签。

这里很清楚你的助教犯了一个错误，如果助教坚持他们是正确的，那么他们将不得不处理我在这里概述的困境：要么程序依赖于任意标签，要么依赖于差异的符号是不相关的（除非我们已经使它相关，在这种情况下，这里的问题是没有实际意义的，考试问题是罪魁祸首）。

你已经提供了一个有信誉的来源，所以我认为不需要额外的来源。你是对的，答案应该是A。