从实际需求出发，业界需要在表格数据中挑选少量特征以降低训练成本、提升可解释性或满足临床检测限制。现有的特征选择基准大多使用过时模型、随意的评估方式或合成数据，难以指导真实任务。为此我们构建了 SelectArena，收集了 71 个手工挑选的真实表格数据集，覆盖分类和回归，统一使用最新的表格基础模型（如 TabNet、FT‑Transformer）进行评估。我们对 15 种常用特征选择方法进行比较，考察预测性能、运行时间、稳定性和有效性四个维度。实验发现，基于树的 CART、RFImportance 以及统计检验 F‑Test 在性能‑时长上形成帕累托前沿；在稳定性和有效性上，F‑Test、信息论和距离度量方法表现最佳，其中 F‑Test 综合表现最平衡。搜索类方法速度慢、结果不稳定且性能较低。SelectArena 将这些结论转化为实用指南，并提供可扩展的框架供后续研究使用。
点评