如何将假设检验应用于ML模型中的特征？例如，假设我正在执行回归任务，并且想削减一些功能（一旦我训练了模型）以提高性能。如何应用假设检验来确定该功能是否有用？我对原假设是什么，重要性水平以及如何进行实验以获取特征的p值感到有些困惑（我听说0.15的重要性水平是一个很好的阈值，但是我不确定）。
例如。考虑到生产三台机器（A，B，C），我正在执行一项回归任务以预测我的工厂成本。我对数据进行了线性回归，发现机器A的p值大于我的显着性水平，因此，它在统计上不显着，因此我决定将其用于我的模型。
我已从Youtube上的视频中获取了此示例。我将链接放在下面。
相关位从4:00到7:00开始 https://www.youtube.com/watch?v=HgfHefwK7VQ
我尝试阅读有关内容，但是我无法理解他是如何确定这种显着性水平的，以及在这种情况下如何应用假设检验。
数据看起来像这样
mtcars[
cyl == 8 | ( cyl == 6 & sample( .N, 5 ) ),
lapply(.SD, generic_funciton),
.SDcols = (specific_cols)
]
模型拟合后，权重如下：
绝对体重：35102， 机器A：2.066， 机器B：4.17， 机器C：4.79
现在，问题是机器A的p值= 0.23，这被认为太高了，因此，该功能已从预测模型中排除了