由于笔者水平限制，本文可能晦涩难懂，特此向阅读本编文章的朋友们表示歉意！
weka3.8.1中关于特征选择的搜索函数有3个类，分别是Ranker，GreedyStepwise，BestFirst，这3个类的作用是配合评估函数，将训练数据集中的特征进行筛选、排序。以下是笔者对于这3个类的个人理解，如有错误之处望发现的朋友予以批评指正。
总的来说Ranker速度最快，如果不考虑特征间的关系，可以考虑使用它，比如朴素贝叶斯算法；GreedyStepwise速度次之，如果资源有限，又要考虑特征间的关系，比如逻辑回归、决策树，建议用GreedyStepwise；如果资源较多，又要考虑特征间的关系，建议使用BestFirst，因为它的效果会比GreedyStepwise更好。
Ranker
获得一个特征排序列表，按照每个特征的作用进行排序；
优点
速度快，每个特征都独立获得评估；
缺点
只能评估单个的特征，不能评估特征组合
GreedyStepwise
获得一个推荐的特征集合，该特征集合包括初始指定的特征集合，如果不指定即为空；
在初始特征集合的基础上，按顺序遍历每一个特征，评估每个一个特征对初始特征集合的作用，如果有积极作用，则将该特征加入初始特征集合，如果没有积极作用，则将该特征忽略；
优点：
每个特征都得到评估，基本上可以找出一个相对有价值的特征集合，计算量不是很大，计算时间不会太长。
疑点1：
特征集合评估的基础集合不断变化，对于每一个待评估的特征不公平；比如第1个特征有价值1.0，第二个特征价值1.1，均入选，到了第n个特征，由于初始数据集中入选了大量有价值的特征，n的特征价值是2.0，也许可能被落选。即前面的特征选择比较宽松，遍历到后期，特征选择比较苛刻。
疑点2：
按顺序筛选，可能存在的问题是，特定组合效果非常好，未必会被发现，比如1、2、3组合的效果是1.0,但123加上4的效果并不好，123加上5的效果也不好，
4加上5的效果却好于123的组合，此时4、5的组合就无法被发现。（疑点待验证）
BestFirst
1、初始化特征集合r，作为下一步计算的基础；初始集合可以在函数中指定；否则初始集合为空，如果是反向获取（做减法），初始集合为全部特征；
2、克隆特征集合r，得到新的集合c，遍历所有集合，找出和克隆集合c配合最好的n个特征，将这列特征分别加入到现有的初始特征集合中，存放在列表l中（n可设置）
3、从列表l中取得第一个对象，即当前效果最好的特征集合，作为新的克隆特征集合c，比较集合c和r，如果c效果更有，将c赋值给r，同时在列表l中删除第一个对象，重复步骤2
4、循环重复步骤3，直到连续循环n次，特征集合r均未发生变化，则退出，并返回特征集合r。
优点：
各个特征独立参与，保证每个特征在公平环境下竞争，可以解决GreedyStepwise的疑点1
组合顺序不是特定的按特征排序，可以解决GreedyStepwise的疑点2
如果参数设置足够大，几乎可以遍历所有种可能，在优中选优的指导思想下，在计算资源足够多时，很可能可以找出比较优秀靠谱的特征集合。
疑点：
计算量比较大，对计算机资源消耗比较大。如果参数设置的比较小，虽然计算量可控，但依然有很大的可能性是没有找出最佳特征集合。