然而，在PCA可视化中，可以明显观察到原始训练集和测试集在3维空间中具有不同的分布，因此基于训练集拟合的模型可能无法反映测试集的性能。

在这种情况下，模型可能会过度拟合训练集的特殊分布，并且不能很好地泛化，研究人员验证集通常需要与测试集具有相同的分布，才能正确估计模型的训练损失。

这也导致了他们在研究中，将原始测试集拆分以构建新的验证集和测试集，而新的验证集和测试集具有相同的分布，以帮助模型避免过度拟合。

在使用IG和RF进行集成特征选择之前，研究人员删除了训练集中的重复样本，以避免过度拟合特征。

在这之后，他们在训练集上应用信息增益和具有1000棵树的随机森林分类器，以获得39个数字特征的重要性排名。

而IG排名和RF重要性排名中存在一些低重要性特征，这可能会降低模型的性能，他们分别选择0.25和0.02作为两种特征选择方法的阈值来过滤重要特征。

所以在IG排序中，重要性得分大于0.25的特征被保留，而在RF重要性排序中，重要性得分大于0.02的特征被保留。

在分别从出这两个指标中不重要的特征后，得到两个特征子集，之后通过IG特征选择保留了22个特征，又通过RF重要性特征选择重新训练了19个特征。