包装器方法（wrapper methods），理学-计算机科学技术-计算机应用-多媒体计算-模式识别-线性特征提取-特征选择，一类特征选择算法。此类方法需要事先给定目标预测模型，以预测模型性能作为特征选择的评估准则，使用特征子集搜索算法获得使预测模型性能最高的子集。可认为其中在预测模型之外包装了一层特征子集搜索算法，从而得名。由于需要不断评估预测模型在特征子集上的性能，包装器方法的计算开销通常大于其他特征选择方法，在面对大规模特征和训练样本的情况下效率更低；但由于具有模型针对性，因而特征选择的性能较好，泛用性较差。包装器方法最早在20世纪70年代提出。由于候选子集数量随特征数量指数级增长，穷举子集搜索最优解的方式开销太大，为了保证包装器方法的可行性，需要设计高效的搜索算法寻找次优解。因此，产生了基于顺序搜索和基于启发式搜索的两类包装器方法。顺序搜索方法顺序地向当前子集中添加或删除特征以使用最少的特征数最大化在目标模型上的性能，其中以空集为起始子集添加特征的方式称为前向搜索，以全集逐步删除特征的方式称为后向搜索。双向搜索结合了这两种方式，同时进行前、后向搜索。