（现在时间不多，简单回答一下，以后再展开）

假设我们正在考虑一个二元分类问题，并且有一个包含个 1 类样本和2 类样本的训练集。特征选择的置换测试分别查看每个特征。为特征计算测试统计量，例如信息增益或均值之间的归一化差异。然后，该特征的数据被随机排列并分成两组，一组大小为，一组大小为。然后根据这个新的分区计算测试统计量$m$$n$$\theta$$m$$n$$\theta_p$$p$. 根据问题的计算复杂性，然后将特征的所有可能分区重复为两组和或这些的随机子集。$m$$n$

现在我们已经在上建立了分布，我们计算观察到的测试统计量从特征的随机分区产生的 p 值。原假设是每个类的样本来自相同的底层分布（特征无关）。$\theta_p$$\theta$

在所有特征上重复这个过程，然后可以通过两种方式选择用于分类的特征子集：

• P 值最低的$N$
• 所有 p 值$<\epsilon$