特征选择中没有融合法

特征选择是机器学习和数据挖掘中非常重要的一个步骤，通过选择最具代表性的特征，可以提高模型的性能并减少计算复杂度。常用的特征选择方法包括以下几种：

A: 嵌入式方法（Embedded Methods）
C: 包裹式方法（Wrapper Methods）
D: 过滤法（Filter Methods）

**A: 嵌入式方法**
嵌入式方法将特征选择过程嵌入到模型训练过程中，常见的例子包括Lasso回归和决策树。在这些方法中，特征选择是模型训练的一部分，通过优化目标函数来选择特征。

**C: 包裹式方法**
包裹式方法通过使用特定的机器学习算法来评估特征子集的性能。常见的包裹式方法包括递归特征消除（RFE）和前向选择、后向消除等。这些方法通常计算成本较高，但可以提供高质量的特征选择结果。

**D: 过滤法**
过滤法在特征选择过程中独立于模型训练，通常使用统计方法或评分函数来评估每个特征的重要性。例如，信息增益、卡方检验、方差阈值等。过滤法计算速度快，适用于高维数据集。

**B: 融合法**
融合法并不是特征选择的常用方法。融合法通常指的是集成学习方法，通过组合多个模型来提高预测性能，而不是直接进行特征选择。

因此，正确答案是A、C和D。