一种数据流动态特征选择方法、电子设备及介质

本发明涉及一种数据流动态特征选择方法、电子设备及介质，该方法包括：利用高斯Copula模型填补实例中缺失的特征值；基于填补后的数据筛选目标特征子集，并将实例划分为核心、辅助和完整特征子集。根据特征价值为各子集分配权重，生成对应训练样本；初始化分类器并使用训练样本进行训练，为各分类器分配初始预测权重；将训练后的分类器加入集成学习框架，根据分类器类型调整集成预测权重。接收新实例时，通过高斯Copula模型补全缺失特征，使用分类器进行加权预测并输出最终分类结果。该方法克服了传统特征选择的知识丢失、高计算成本和依赖真实标签的局限性，通过动态筛选相关特征并保留多维度知识，实现持续准确预测。