我有大量用户安装的所有软件的数据集。我必须根据用户安装的软件将其分类为4个类别之一（每个用户最多可以安装30个软件）。
类别高度不平衡-一种类别包含训练数据集中近45％的用户，另一种类别-35％，三分之一仅15％，第四种-仅5％。假设这4个类别大致对应4种不同的IT职位类型（例如“软件工程师”，“ DevOp”，“分析师”等）。
“软件”是一种具有高基数（大于1000）的功能，因此使用朴素的一键热编码似乎不合适。
我想确定此变量的信息量/水平的子集。例如，诸如防病毒程序之类的软件可能无法在所有类别之间很好地区分，因为所有或大多数用户都将安装该软件。专用工具（例如IDE）可能会更好地区分，即每种IT作业类别中其出现的频率可能都不同。
如何使用python识别此类“信息性”功能？我们是否使用sklearn.feature_selection.chi2？还是我们使用sklearn.feature_selection.mutual_info_classif？还是还有其他方法？