看看这些链接 -

https://stats.stackexchange.com/questions/108743/methods-in-r-or-python-to-perform-feature-selection-in-unsupervised-learning

http://www.jmlr.org/papers/volume5/dy04a/dy04a.pdf

https://www.researchgate.net/post/What_is_the_best_unsupervised_method_for_feature_subset_selection

特征选择是一种在我们知道目标变量时使用的技术（监督学习）

当我们谈论无监督学习时，没有确切的技术可以做到这一点。但是在这些方面有一些东西可以帮助我们，即降维，这种技术用于减少特征的数量并为我们提供最能解释数据集的特征。这些特征将从现有特征派生，并且可能是也可能不是相同的特征。

有不同的技术可用于这样做：

1. 主成分分析
2. 线性判别分析
3. 非负矩阵分解
4. 广义判别分析等等。

特征选择的结果将是对目标变量解释最多的相同特征，但降维的结果可能与从给定输入派生的特征相同，也可能不同。

有一些方法可以在无监督场景中进行特征选择：

• 拉普拉斯分数特征选择；
• 光谱特征选择
• GLSPFS 特征选择；
• JELSR 特征选择

• 过滤低方差特征（此处的实现）
• 过滤相关特征（可以使用corr()from pandas实现）