前向特征选择方法和后向特征排除方法是我们特征选择的常用方法。如果前向特征选择方法和后向特征排除方法在大数据上不适用,可以用这里第三种方法。用相关性的度量去删除多余特征, 也是一个好方法

在减少数据集中的特征数时，数据预处理技术中的过滤法、嵌入法和包装法都可以被使用。以下是对各个选项的分析：

A: 使用前向特征选择方法
- 这属于包装法中的一种。前向特征选择从空特征集开始，每次迭代加入一个对模型性能提升最大的特征，直到满足停止条件。它是一种有效的特征选择方法，因此这是一个合适的选择。

B: 使用后向特征排除方法
- 这是包装法中的另一种方法。与前向选择相反，后向特征排除从包含所有特征的集合开始，逐步去掉对模型性能影响最小的特征。这也是一种合适的方法。

C: 我们先把所有特征都使用，去训练一个模型，得到测试集上的表现。然后我们去掉一个特征，再去训练，用交叉验证看看测试集上的表现。如果表现比原来还要好，我们可以去除这个特征。
- 这种方法实际上也是一种包装法，具体是后向特征排除的一种实现形式。这种方法通过交叉验证对特征进行评估，逐步去除对模型影响不大的特征。这也是一个合理的选择。

D: 查看相关性表，去除相关性最高的一些特征
- 这属于过滤法。通过先验知识（如特征间的相关性）来选择特征，而不依赖于特定的学习算法。通常，在相关性非常高的特征中只保留一个，以减少冗余特征。此方法是过滤法的典型操作，因此也是一个合适的方法。

综上所述，正确答案是：**A, B, C, D**。这些方法均可以用来减少数据集中的特征数，各有其优缺点和适用场景，通常结合使用会得到更好的效果。