RBM网络可以做特征选择，去除冗余和不相关特征，减少计算量，提高准确度
1、原理概述
对于已经训练完成的RBM网络，可以认为已经建立起了特征之间的相关联系。对于任意特征i，如果可以通过其他特征经由rbm网络计算得出，那么我们就可以认为这个特征i是冗余的。具体怎么计算呢？首先定义v'为v的重构（见上一篇概念理解部分），那么对任意特征i，可定义重构误差ei（也就是vi和v‘i相差多少，当然不是做简单加减，具体见下方），然后使用训练数据对RBM网络进行两次测试，第一次使用原始数据，第二次把特征i的值变成零再测试，如果两次运行的结果，变成0之后的误差不变或者更小了，那么就认为，这个特征i是冗余的。
2、具体过程
特征选择通过三个步骤进行：1）初始训练：对包含所有特征的训练数据进行rbm训练；2）特征消除：通过初始训练的rbm去除额外特征；3）主训练：在包含选定特征的训练数据上用初始训练的rbm训练dbm。
1）RBM网络训练，详细见上篇，此处为方便阅读，首先把相关公式做如下处理
即：将梯度公式直接由期望形式表达。其中Edata表示由训练数据得出的期望，Emodel表示所有可能情况下该模型的期望，其中第二项中v（上滑~）表示使用吉布斯采样得到近似数据
2）特征消除
该算法从所有输入特征的集合开始，利用训练后的rbm来评价每组特征的效果。
定义重建误差
从形式上看，ei就是i特征的重建相对于原始输入值的方差，也就是偏离程度，先称作原始重建误差
然后，对某个我们想判断的特征i，设置对应单元vi=0，然后把数据输入rbm网络，并计算
注意这里的v（上标—）是设置vi=0后得到的vi的重建。则ei（上标—）即为设置后的重建误差。先称作对比重建误差
下面对两个重建误差作比较，如果对比重建误差<原始重建误差，就说明特征i的vi=0之后，比他原来的值得到的结果同优或更优，即此i为荣誉特征，舍弃。反之采纳。
注：个人理解标注，首先这个过程使用的是已经建立好的RBM。其次，对重建误差的计算，要使用训练集所有元素的特征i，也即ei所求是每一个训练元素输入到RBM中其i特征的重建相对于自己原始输入偏差值的加和
3）使用选择特征和对应权重初始化RBM网络并进行训练DBM等
3、算法伪代码（两种）
参考资料：
[1] Aboozar Taherkhani, Deep-FS: A feature selection algorithm for Deep Boltzmann Machines, 2018