weka有 两种属性选择模式
1是
属性子集评估器+搜索方法（后者可以说是循环，前者是循环的每个环节的操作）
2是
单一属性评估器+排序方法
属性子集评估器有
CfssubEval：综合考虑单一属性的预测值和属性间的重复度。
classifiersubsetEval：用评估器评估属性集
consistencySubsetEval：将训练数据集映射到属性机上来检测类型的一致性
WrapperSubsetEval：使用分类器和交叉验证（包装方法）
搜索方法有
bestFirst：回溯的贪婪搜索
ExhaustiveSearch：穷举搜索
GeneticSearch：使用遗传算法搜索
GreedyStepwise：不回溯的贪婪搜索
randomSearch：随机搜索
RankSearch：排列属性并使用属性子集评估器将有潜力的属性进行排序
单一属性评估器
ChiSquaredAttributeEval：以基于类的X2为依据的属性评估
GainRationAttributeEval：以增益率为依据的属性评估
InfoGainAttributeEval：以信息增益为依据的属性评估
OneRAttributeEval：以OneR的方法论来评估属性
PrincipleComponent：进行主成分的分析和转换
ReliefAttributeEval：基于实例的属性评估器
SymmeticalUncertAttributeEavl：以对称不确定性为依据的属性评估
排序方法
Ranker：按照属性的评估对他们进行排序
下面学习下InfoGainAttributeEval：以信息增益为依据的属性评估------------------------------：
别人的介绍：http://www.360doc.com/content/09/1010/11/79028_7055867.shtml
源码：http://www.cse.iitb.ac.in/infolab/cep/day7/lab/tools/weka-3-5-3/doc/weka/attributeSelection/InfoGainAttributeEval.html
属性选择右边显示界面有语句
“
Search Method:
Attribute ranking.------------排序方法
Attribute Evaluator (supervised, Class (nominal): 13 cate):
Filtered Attribute Evaluator
Filter: weka.filters.supervised.instance.SpreadSubsample -M 0.0 -X 0.0 -S 1-----------有监督的过滤器，对样本过滤，对数据集进行随机的重新采样。
Attribute evaluator: weka.attributeSelection.InfoGainAttributeEval-----------------单一属性评估器，以信息增益为依据的属性评估
Filtered header:
Ranked attributes:
0.2907 11 hubse10
0.283 5 degree
0.2666 2 cluster
0.2467 15 hubs20e10
”
weka中对数据的预处理完全由过滤器来完成，所有的预处理方法都可以在weka.filters中找到。对于一个过滤器类，也就是继承自weka.filters.Filter的子类，都可以在遵从定义的情况下被weka系统中的其他类所使用。
对于数据预处理，从所针对的目标来说可以分为2种：一是处理数据集的属性，二是处理数据集中的样本。两者都继承自Filter。其基本行为就是输入一个实例，输出一个修改后的实例。
除了Filter这个主要的过滤器基类外，SupervisedFilter和UnsupervisedFilter接口很重要，它们实际上是两个空的接口，没有说明任何方法，只用来标记一个过滤器是有监督的还是无监督的。及有无给定类标。
weka中的所有数据集都采用Instances类来进行保存。所有的数据都将加载到内存中再进行处理，Instances对象由多个Instance构成，，每个instance都代表了一个数据项，此外Instance还保存了属性结构。
过滤器就是对Instances进行处理，更改其中的值，或者增加或者删除一些属性，甚至样本。过滤之后，再返回一个Instance。
关于过滤器，可见“针对贝叶斯分类器的数据质量的定量分析研究.caj”
来源：https://www.cnblogs.com/xaf-dfg/p/3558383.html