性特征过滤不属于

Ⅰ 特征选择的Filter过滤法

  1.1 当数据预处理完成之后，接下来就是特征工程部分，特征工程包括了特征的提取，特征创造，特征选择。

        特征提取（feature extraction）：从文字、图像、声音等其他非结构化数据只能怪提取新信息作为特征，比如说从淘宝的商品名称中提取产品类别，产品颜色，是否是网上产品等。

        特征创造（feature creation）:把现有的特征进行组合，或是相互计算得到新的特征。比如说我们有一列特征是速度，一列特征距离，通过两特征相除，创造新特征：通过距离所花的时间。

        特征选择（feature selection）：从所有的特征中选择出有意义的，对模型有帮助的特征，避免将所有特征都导入模型中去训练。

下面只讲特征选择，特征选择有四种方法：过滤法，嵌入法，包装法，和降维算法。

    1.2 Filter过滤法

        过滤法通常用作预处理的步骤，特征选择完全独立于任何的机器学习算法，它是根据各种统计检验中的分数以及相关性的各项指标来选择特征的。

    1.3 VarianceThreshold

        VarianceThreshold是通过特征本身的方差来筛选特征的类。比如一个特征本身的方差很小，就表示样本在这个特征上基本没有差异，可能特征中的大多数值都一样，甚至整个特征的取值都相同，那这个特征对于样本区分没有什么作用，所以 无论接下来的特征工程要做什么，都要优先消除方差为0的特征 。VarianceThreshold重要参数threshold，表示方差的阈值，表示舍弃所有方差小于threshold的特征，不填默认为0，即删除所有记录都相同的特征。

可以看见，已经删除了方差为0的特征，但是依然剩390多个特征，明显还需要进一步的特征选择，如果我们知道我们需要多少个特征，方差也可以帮助我们将特征选择一步到位。比如说，我们希望留下一半的特征，那可以设定一个让特征总数减半的方差阈值，只要找到特征方差的中位数，再将这个中位数作为参数threshold的值输入就好了

    使用的方差阈值是特征方差的中位数，因此属于阈值比较大，过滤掉的特征比较多的情况。我们可以观察到，如果在过滤掉一半特征之后，模型的精确度上升了。这说明被我们过滤掉的特征在当前随机模式(random_state = 0)下大部分是噪音。那我们就可以保留这个去掉了一半特征的数据，来为之后的特征选择做准备。当然，如果过滤之后模型的效果反而变差了，我们就可以认为，被我们过滤掉的特征中有很多都有有效特征，那我们就放弃过滤，使用其他手段来进行特征选择。

1.4 方差过滤对模型的影响

    最近邻算法KNN，单棵决策树，支持向量机SVM，神经网络，回归算法，都需要遍历特征或升维来进行运算，所以它们本身的运算量就很大，需要的时间就很长，因此方差过滤这样的特征选择对他们来说就尤为重要。但对于不需要遍历特征的算法，比如随机森林，它随机选取特征进行分枝，本身运算就非常快速，因此特征选择对它来说效果平平。这其实很容易理解，无论过滤法如何降低特征的数量，随机森林也只会选取固定数量的特征来建模；而最近邻算法就不同了，特征越少，距离计算的维度就越少，模型明显会随着特征的减少变得轻量。因此，过滤法的主要对象是：需要遍历特征或升维的算法，而过滤法的主要目的是：在维持算法表现的前提下，帮助算法降低计算成本。

1.5 过滤法对随机森林无效，却对树模型有效？

     从算法原理上来说，传统决策树需要遍历所有特征，计算不纯度后进行分枝，而随机森林却是随机选择特征进行计算和分枝，因此随机森林的运算更快，过滤法对随机森林无用，对决策树却有用。在sklearn中，决策树和随机森林都是随机选择特征进行分枝，但决策树在建模过程中随机抽取的特征数目却远远超过随机森林当中每棵树随机抽取的特征数目（比如说对于这个400维的数据，随机森林每棵树只会抽取10~20个特征，而决策树可能会抽取100~200个特征），因此，过滤法对随机森林无用，却对决策树有用也因此，在sklearn中，随机森林中的每棵树都比单独的一棵决策树简单得多，高维数据下的随机森林的计算比决策树快很多。

Ⅱ 风险的特征不包括

固定性、绝对性、主观性这三个特性不属于风险的特征。风险的基本特征包括损失性、不确定性、客观性以及普遍性。从广义上来看，如果一件事情的发生具有两种或者两种以上的结果，那么就可以认为这件事情存在一定的风险。在保理论和实务的课程中，风险只指的是面对损失时具有对于是否发生、何时发生和所导致结果的不确定性。

风险按照性质的分类

1、纯粹风险：表示事件只有弊而无利，只会造成损失而没有获得利益的可能。比如房屋的主人可能要面对的房屋起火的风险；汽车主人可能要面对的汽车碰撞风险；

2、投机风险：相比起纯粹风险，投机风险表示有获利的可能。因此投机风险的结果可能是只有损失，没有损失或是获得利润。比如买卖股票，就存在赚钱，亏本和不赚不亏三种可能，在财务上的投资所面对的风险都属于投机风险。

Ⅲ [ML] 特征提取3种基本方法

      嵌入（embed） ：学习 算法 中本来就包含有特征选择的过程，例如决策树一类的分类器，它们在决定分枝点时就会选择最有效的特征来对数据进行划分。但这种方法是在局部空间中进行优选，效果相对有限。
      封装(Wrapper)： 特征选择过程与训练过程整合在一起，以模型的预测能力作为衡量特征子集的选择标准，例如分类精度，有时也可加入复杂度惩罚因子。多元线性回归中的前向搜索和后向搜索可以说是封装方法的一种简单实现。不同的学习算法要搭配不同的封装方法，如果是线性分类器，可以采用之前博文谈到的 LASSO方法 （glmnet包）。如果是非线性分类器，如树模型则可以采用随机森林封装（RRF包）。封装法可以选择出高质量的子集，但速度会比较慢。
      过滤(Filter)： 特征选择过程独立于训练过程，以分析特征子集内部特点来预先筛选，与学习器的选择无关。过滤器的评价函数通常包括了相关性、距离、信息增益等。在数据预处理过程中删除那些取值为常数的特征就是过滤方法的一种。过滤法速度快但有可能删除有用的特征。
      在实务中进行特征选择可以先借由专家知识来初步筛选，再用过滤法快速筛选无关变量，最后采用封装法得到最优子集和模型结果。

Ⅳ 数据分析常用的分析方法有哪些

1. 描述型分析

这是最常见的分析方法。在业务中，这种方法向数据分析师提供了重要指标和业务的衡量方法。

例如，每月的营收和损失账单。数据分析师可以通过这些账单，获取大量的客户数据。了解客户的地理信息，就是“描述型分析”方法之一。利用可视化工具，能够有效的增强描述型分析所提供的信息。

2. 诊断型分析

描述性数据分析的下一步就是诊断型数据分析。通过评估描述型数据，诊断分析工具能够让数据分析师深入地分析数据，钻取到数据的核心。

良好设计的BI dashboard能够整合：按照时间序列进行数据读入、特征过滤和钻取数据等功能，以便更好的分析数据。

3. 预测型分析

预测型分析主要用于进行预测。事件未来发生的可能性、预测一个可量化的值，或者是预估事情发生的时间点，这些都可以通过预测模型来完成。

预测模型通常会使用各种可变数据来实现预测。数据成员的多样化与预测结果密切相关。在充满不确定性的环境下，预测能够帮助做出更好的决定。预测模型也是很多领域正在使用的重要方法。

4. 指令型分析

数据价值和复杂度分析的下一步就是指令型分析。指令模型基于对“发生了什么”、“为什么会发生”和“可能发生什么”的分析，来帮助用户决定应该采取什么措施。通常情况下，指令型分析不是单独使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。

Ⅳ 方差对于特征选择上的作用

特征选择的意义
在对数据进行异常值、缺失值、数据转换等处理后，我们需要从当前数据集中选出有意义的特征，然后输入到算法模型中进行训练。

对数据集进行特征选择主要基于以下几方面的考虑：

1.冗余的特征会影响阻碍模型找寻数据潜在的规律，若冗余的特征过多，还会造成维度容灾，占用大量的时间空间，使算法运行效率大打折扣。

2.去除不相关的特征会降低学习任务的难度，保留关键的特征更能直观的看出数据潜在的规律。

那么，该如何进行特征选择呢？通常，要从两方面考虑来选择特征：

1.特征是否具有发散性：
如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。

2.特征与目标的相关性：
如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。

根据特征选择的标准，又能分为filter、wrapper、embedded三种方法。

Filter方法
过滤法的主要思想是查看特征的发散性和特征与目标的相关性，通过设定阈值的方法，过滤发散性低、相关性不强的特征。

过滤法先对数据集进行特征选择，然后再训练学习器，特征选择过程与后续学习器无关，即先选好特征，再用过滤后的特征来训练模型。

具体来说，有：

1.方差法
使用方差法，要先计算各个特征的方差，然后根据阈值，选择方差大于阈值的特征。若特征的方差小于阈值，则代表该特征的发散性太弱。

2.Pearson系数
Pearson相关系数是用协方差除以两个变量的标准差得到的。皮尔逊系数只能衡量线性相关性，先要计算各个特征对目标值的相关系数以及相关系数的P值，P值区间在[-1，1]，p值越大，则与目标值越正/负相关，当p值为0时，则代表与目标值不相关。计算公式如下：

3.卡方检验
卡方检验只能用于二分类，经典的卡方检验是检验定性自变量对定性因变量的相关性。假设自变量有N种取值，因变量有M种取值，考虑自变量等于i且因变量等于j的样本频数的观察值与期望的差距，从而构建统计量。计算公式如下：

由于此篇博文是从整体来谈特征选择，如对卡方检验不甚理解，请参考【笔记】卡方检验概述

4.互信息法
互信息(Mutual Information)是信息论里一种有用的信息度量，它可以看成是一个随机变量中包含的关于另一个随机变量的信息量，或者说是一个随机变量由于已知另一个随机变量而减少的不肯定性。

互信息系数能够很好地度量各种相关性，互信息法的计算公式如下：

wrapper法
过滤法在选择特征时不考虑特征对学习器的效果，包裹式选择就很灵性了。包裹式通常根据预测效果评分来为学习器“量身定制”特征子集，相较于过滤法，能使学习器的性能更佳，缺点即是计算开销往往也更大。

比如LVW（Las Vegas Wrapper）特征选择方法，其思想是使用随机策略来进行子集搜索，并以最终分类器的误差为特征子集的评价标准，算法描述如下：

通过算法流程图可知，从特征集中随机抽取特征子集，如果在特征子集下分类器的误差降低或误差无变化，则更新特征集为特征子集。

但也可以看出，由于每次循环都要计算分类器误差，计算开销很大，若特征众多，设置的循环次数较大，可能在很长的时间都给不出解。

Embedded法
嵌入式特征选择方法也很灵性…嵌入式的特征选择方法将特征选择和学习器的训练过程融为一体，即学习器自动的进行了特征选择。

比如决策树的信息增益、信息增益比、基尼指数，求解最优解时的L1、L2正则化等思想，都能选取对学习器有价值的特征，过滤价值不大的特征。

参考
《机器学习》 —周志华

jacksu在——–特征选择

Joey-SH ———卡方检验概述

Ⅵ 特征选择的相关性过滤

    我们希望选出与标签有关且有意义的特征，因为这样的特征携带更多的信息，如果特征与标签无关，只会浪费计算内存，可能还会给模型带来噪声，在sklearn中有三种常用的方法来评判特征与标签之间的相关性：卡方，F检验，互信息

    1.1卡方过滤

        卡方过滤是专门针对离散型标签（即分类问题）的相关性过滤，卡方检验类feature_selection.chi2计算每个非负特征与标签之间的卡方统计量，并依照卡方统计量由高到低为特征排名，再结合feature_selection.SelectKBest这个可以输入“评分标准”来选出前K个分数最高的特征的类，我们可以借此除去最可能独立于标签，与我们分类目的无关的特征。

        另外，如果卡方检查中检测到某个特征中所有的值都相同，会提示我们先使用方差过滤。

 1.2 K参数的选取

       实际中的数据量会很大，模型很复杂的时候也许不允许我们先跑一遍模型看看效果，而是希望最开始就能选择一个最优的超参数K，可以使用学习曲线。

    通过这条曲线，我们可以观察到，随着K值的不断增加，模型的表现不断上升，这说明，K越大越好，数据中所有的特征都是与标签相关的。但是运行这条曲线的时间同样也是非常地长，接下来说一种更好的选择k的方法：看p值选择k

        卡方检验的本质是推测两组数据之间的差异，其检验的原假设是“两组数据是相互独立的”。卡方检验返回卡方值和P值两个统计量，其中卡方值很难界定有效的范围，而p值，我们一般使用0.01或0.05作为显著性水平，即p值判断边界，具体如表格所示

        从特征工程的角度，我们希望获取卡方值很大，p值小于0.05的特征，即和标签是相关联的特征，而调用SelectKBest之前，我们可以直接从chi2实例化后的模型中获得各个特征所对应的卡方值和p值。

    1.3 F检验

        F检验，又称ANOVA，方差齐性检验，是用来捕捉每个特征与标签之间的线性关系的过滤方法，它即可以做回归也可以做分类，因此包含feature_selection.f_classif（F检验分类）和feature_selection.f_regression（F检验回归）两个类，其中F检验分类用于标签是离散型变量的数据，而F检验回归则用于标签是连续性变量的数据。

        和卡方检验一样，这两个类都需要和SelectKBest连用，并且我们也可以直接通过输出的统计量来判断我们到底要设置多大的K值。F检验在数据服从正态分布是效果会非常稳定，因此如果使用F检验过滤，我们会先将数据转化成正态分布的方式。

        F检验的本质是寻找两组数据之间的线性关系，其原假设是“数据不存在显著的线性关系”，它返回F值和P值两个统计量，和卡方过滤一样，我们希望选取P值小于0.05或是0.01的特征，这些特征与标签是显著线性相关的，而P值大于0.05或是0.01的特征被 我们认为是与标签没有显著线性关系的特征，应该被删除，以F检验的分类为例，在数字数据集上进行特征选择。

k=300，跟原特征数一样，说明没有任何的特征的p值大于0.01，所有的特征都是与标签相关的，因此不需要相关性过滤。

    1.4 互信息法

        互信息法是用来捕捉每个特征与标签之间的任意关系（线性关系和非线性关系）的过滤方法，跟F检验一样，可以做回归也可以做分类，并且包含两个类feature_selection.mutual_info_classif和feature_selection.mutual_info_regression（互信息回归），这两个类的用法和参数都和F检验一模一样，不过互信息法比F检验更加强大，F检验只能够找出线性关系，而互信息法可以找出任意关系。

    1.5    过滤法总结

        通常来说，会先使用方差过滤，然后使用互信息法来捕捉相关性，不过了解各种各样的过滤方式也是必要的。所有信息被总结在下表：

Ⅶ 特征选择与特征子集(二)

顺承 上节 ，本节，我们来介绍三类特征选择。

作为数据维数约简的重要手段之一，特征选择会从最初的特征集合中按照一定的规则删除冗余以及不重要的特征，从而获得一个最优特征集合的过程。

原始样本有 个特征，那么如果使用枚举法寻找最优特征子集的话，其复杂度为 ，因为由 个特征构成子集数 为个。

所以，我们需要一定的策略来寻找特征子集，特征子集的流程如下：

流程图如下：

根据于学习算法的关系，特征选择可划分为三类方式：过滤式(Filter)方式，封装式(Wrapper)方法和嵌入式(Embedded)方法。

接下来，我们会介绍这三种特征选择方法。

过滤式特征选择方法的特点是其独立于学习算法，直接由原始的特征集合求得。它数据集进行特张选择，然后再训练学习器，这两个过程是独立的。我们会先对原始特征集 进行特征选择，排除冗余无关特征，得到一个过滤后的特征子集 ，我们会用 来训练下游的模型或者分类器。

过滤式特征选择算法会通过数据的本质属性对所有特征进行相应的评分，在评价过程中无需分类器完成，在对给出所有特征赋予相应的评分后，选择评分高的特征用于之后的学习算法中。

过滤式特征选择包含单变量过滤式特征选择以及多变量过滤式特征选择两种。
单变量过滤式特征选择算法使用某种评价标准作为度量方式来确定数据集中特征对类别的区分能力。

以学生成绩为例，假设我们预测一个学生高考成绩，那么可以以某种评价标准来度量，例如说他成绩的波动值，越平稳，他就越不容易失误，可以预估他高考的表现。
常见的单变量过滤式特征选择算法有互信息以及信息增益。

多变量过滤式特征选择算法正是通过考虑特征之间的交互作用来确定特征的重要性。

就以我们生活中的例子为例吧，可能不太准确。我们都听过这样的谚语：“蚂蚁搬家蛇过道，明日必有大雨到”。这些特征通过组合来确定特征重要性或者样本标签，不能只考虑单一的特征。
常见的多变量过滤式特征选择算法有Relief，基于相关性的特征选择算法CBFS以及马尔可夫模型等。

过滤式特征选择算法的因为其过程简单快捷，很容易用于高维数据的维数约简中。特征选择过程中不依赖任何模型，依次其特征选择结果可以用到各种分类算法中。
反过来呢，正是因为其与分类算法独立，缺乏了与模型的交互性，在后期应用到分类算法中会由劣势。
这是必然的，事物都是具有双面性的。因为过滤式特征选择算法独立于模型，因而简单高效，缺少与模型也使它在落实到分类算法时会有不足之处。

封装式方法最大特点是其与学习算法有关，利用学习算法的性能来评价特征子集的优劣。在进行特征选择过程中，需要一个分类器，根据分类器性能去衡量特征子集，可以使用的分类器有决策树，近邻分类器，贝叶斯分类器以及支持向量机等等。

就以最近邻分类器吧，它的流程比较简单：
先将数据集划分为训练集和测试集，在测试集中遍历样本，寻找每一个样本在训练集中最近的 个样本，选择个样本中出现次数最多的标签作为该测试集样本的标签。
可以使用的距离度量方式有很多，详细可见往期博客。

也就是说，封装式特征选择算法会将模型建立与特征子集搜索的过程结合起来，用模型指导特征子集的搜索过程。
它与模型相结合的方式，结果会更精确，但是问题也很明显，容易过拟合。也就是说模型为了尽力拟合所有的训练样本，反而学习到一些不必要学习的知识，因此不能准确反映输入输出的真实函数关系。而且，封装式特征选择算法时间消耗多，当学习算法改变时需要重新进行特征选择，而每次对特征子集的衡量都需要有训练和验证的过程，计算较为复杂，因此不适用于大规模数据集。

嵌入式嵌入式特征选择算法是特征选择过程嵌入到学习算法的模型训练中通过优化一个目标函数来实现特征选择。常见的嵌入式嵌入式特征选择算法有决策树算法和基于支持向量机的算法等。

与过滤式，封装式特征选择算法不同的是，过滤式和封装式算法的特征选择过程与学习器训练过程有明显的区别，而嵌入式特征选择是将特征选择过程与学习器训练过程融为一体，两者在同一个优化过程中完成，即在学习器训练过程中自动地进行了特征选择。相对于封装式方法，嵌入式特征选择方法不用于将数据集分为训练集和验证集两部分，避免了为了评估每一个特征子集对学习机所进行的重复训练，可以快速地得到最佳特征子集，是一种高效的特征选择方法。但是该类方法较大程度上依赖于参数调整，因此其性能对参数非常敏感，而且如何构造目标函数也是一个研究难点。

我们介绍三种特征选择方法，过滤式算法简单高效，但是缺失与模型的交互性；封装式与模型相结合，结果精确，但是易过拟合；嵌入式有着两者的优点，但是构造起来比较麻烦。各有优劣，之后我们的重点会放在过滤式特征选择算法上。

python的sklearn包提供了相应特征选择算法的方法，详细的信息可以查阅相关资料。

本文参考了：

Ⅷ 稳健，虚伪，直爽，朴实，多疑，轻浮，持重，哪个不属于性格特征

气质类型是指表现为心理特征的神经系统基本特征的典型结合。目前，心理科学尚未能编拟出构成气质类型全部特征的完整方案。但是，胆汁质、多血质、粘液质、抑郁质这四种气质类型的划分是当前人们普遍能够接受的观点。

心理学上认为具有胆汁质型气质的人精力旺盛，热情直率，意志坚强;脾气躁，不稳重，好挑衅;勇敢，乐于助人;思维敏捷，但准确性差。他们心理活动的明显特点是兴奋性高，不均衡、带有迅速而突发的色彩。具有多血质型气质的人的行动有很高的反应性，他们容易适应新环境，结交新朋友，具有高度可塑性。给人以活泼热情，充满朝气，善于合作的印象。但注意力容易转移，兴趣容易变换，很难适应要求耐心细致的平凡而持久的工作。属于粘液质的人缄默而沉静，由于神经过程平静而灵活性低，反应比较缓慢。这种人常常严格地恪守既定的生活秩序和工作制度，注意稳定且难转移。给人的外表感觉为态度持重，沉着稳健，不爱作空泛的清谈。这种气质类型的不足之处是有些固执冷淡，不够灵活，因而显得因循守旧，不易合作。那些要求持久、有条理、冷静的工作，对于粘液质的人最为合适。而具有抑郁质型气质的人感受性高而耐受性低，不随意的反应性低;严重内倾;情绪兴奋性高而体验深，反应速度慢;具有刻板性，不灵活。性情脆弱、情感发生缓慢而持久，动作迟钝、柔弱易倦。 具有这种类型特征的人在情绪方面表现为情感不易老化，比较平静，不易动情。情感脆弱、易神经过敏，容易变得孤僻。在行为方面表现为动作迟缓。胆小、不喜欢抛头露面，反应迟钝。

有研究表明气质在一定程度上决定一个学生学习的途径、方式、方法，赋予他智利、活动以某种“风格”、“特色”，但不决定一个学生知识、技能、智利的水平。因此在学习上，不论哪种气质类型的学生，在同样的学习任务下，只要肯下功夫都能取得好成绩。由此观之， 老师的任务不在于怎样提高学生的智力，让他们在学习上取得好成绩，而在于通过对学生学习活动的方式，方法的指导，提高其学习效率和质量。

气质无好坏之分，任何一种气质都有它的优缺点，就像任何事物都有它的正反面一样。作为一名老师应当了解不同学生的气质特征和气质类型，做到因势利导，提高教育效果，还要促使学生扬长避短，培养学生良好的个性品质和气质特征。

气质类型偏于多血质的这类学生有粗心大意，虎头蛇尾，兴趣多移的弱点，老师应该注意要求他们在学习中认真细致，刻苦努力，在激起他们多种兴趣的同时，要培养中心兴趣;在具体活动中，要求他们增强组织纪律性，培养其朝气蓬勃，满腔热情，善于思维等个性品质。对于他们的缺点错误，批评时要有一定的强度，但又要耐心细致，尤其要做好转化后的巩固工作，防止反复。

气质类型偏于胆汁质的这类学生为人热情，豪放，爽朗，勇敢，进取，主动，但他们性格中也有粗暴、任性、高傲，不能很好的控制自己的情绪的弱点。对于此类学生应该要求他们要善于控制自己，能沉着地、深思熟虑地回答问题，发表意见，活动中保持镇静而从容不迫。要注意培养他们扎实的工作作风，达观的待人态度。对他们的教育不可急躁粗暴，而应慢言细语，实实在在、干脆利落地讲清道理，努力抑制他们的激动状态。

气质偏于粘液质的这类学生一般班里默默无闻，容易被人忽视。但他们大多个性沉稳，安静勤勉，且不防碍别人。对于这类学生老师应着重培养他们高度的积极性，灵活性等品质，防止墨守成规，因循守旧，执拗等不良品质，杜绝不必要的冷漠和萎靡不振。

气质偏于抑郁质的这类学生，平时给人以呆板而羞涩的印象，这类学生最易出现伤感、沮丧、忧郁、孤僻等行为现象。但在友爱的集体和教师的关怀下，又能充分表现出细致、委婉、坚定、富于同情心等优良品质。对这类学生，老师应(同时也应该要求班干部)给予更多的关怀和具体的帮助。要着重发展他们的机智、认真细致、有自尊心和自信心的优良个性品质，防止怯懦、多疑、孤僻等消极心理的产生。要引导他们多参加集体活动，在评价过程中给予称赞、嘉许、奖励等，批评时“点到为止”。创造条件，安排他们从事有一定困难，需要与他人交往和配合的工作，以鼓励、锻炼他们的勇气。

老师的精力毕竟有限，对于每个学生都不可能照顾得面面俱到，而且任何一类气质的消极方面均有形成不良个性的可能，即便学生在老师的引导下改正过了，但也不能杜绝它以后不会反复。事物的本源还在事物的本身，内因总比外因重要，因此老师在帮助学生克服气质的消极方面的同时，还应给予学生有关气质方面的基本理论和知识，并帮助他们客观地和认识自己气质特征中的长处和短处。并教会他们有意识地控制自己气质上的消极方面，发展积极方面。根据气质的“可塑性”特征，通过教育的培养和学生的自我调适，是能够使学生形成良好的气质特性的。

另外老师在根据学生的不同气质类型，教导和引导学生的同时，老师也应该认清自己的气质类型，及时改正自己的品质的不足之处。
比如，我在教孩子钢琴的时候，有一个学生就是性格很开朗，家庭富裕，但实际上缺少鼓励与关爱的孩子，于是我在教学过程中就一直鼓励他，鼓励她弹的好，再来一次。如果能把这个问题解决了，那就非常完美的等等。或者告诉她，这首曲子弹的非常好，我们再练一遍，请母亲过来看一遍好吗。她就非常力的学习，为了得到母亲的表扬。
另外，还有一个小男生，非常的调皮，家庭氛围也不错，如果你对他和颜悦色的话，他就特调皮，所以，我在教学过程中就非常严厉，也不开玩笑。于是小孩子就比较怕我，学习很认真。课后我总会当着她母亲的面表扬他学习认真，希望继续努力。孩子非常听母亲的话。 根据学生的个性差异，进行思想教育工作，使以往的(控制型)变为(疏导型)的教育方法，这个问题是每个班主任和学生管理人员值得探讨的问题。 心理学认为，气质是人的典型的稳定的心理特点。气质影响一个人的行为，制约着心理反应的强度和灵活性。它的表现往往不以实践活动的目的、内容及实际者的动机为转移。因而它使每个人具有显著的独特的个人色彩。著名生理学家巴甫洛夫提出四种基本的高级精神活动类型:兴奋型、活泼型、安静型、弱型。这分别相当于胆汁质、多血质、粘液质、抑郁质。在日常生活、学习和工作中，我们也不难找到这四种气质类型的代表，因而它具有相当的实用价值。 人的气质类型虽然无所谓好坏之分，但却都有其长短之别。而且在某些场合和条件下，能成为起积极作用的东西，在另外一些场合却能产生消极作用。 所以我们不能不注意到它对人的实践活动的影响。 在学生中，同样的教育内容或方法，对不同气质的学生就可能产生不同的效果。如:对胆汁质和多血质的学生，采取严厉的批评方法， 一般说来容易起到促进作用。而对抑郁质的学生来说， 却可能产生不良的后果。因此，班主任要善于了解每一个学生的气质特点， 正确对待人的气质， 注意发挥每个学生气质的积极作用，避免其消极作用，这样有助于学生的内容和方法，是做学生思想工作不可忽视的问题。 兴奋型(胆汁质)的学生行为方式特点:态度直率、热情主动，精力旺盛，但情绪容易兴奋冲动，脾气多暴躁，行为易改变，缺乏耐性。对这种气质的学生的教育要以慈爱情理去感化和陶冶，不宜在人多的场合批评他们。当他们在激动、发脾气时，应该避其锋芒，设法使其冷静、稳定情绪， 然后采用商讨式， 消除防卫心理，把批评信息传递给被教育者，引导他们认识自己的错误和缺点，同时注意 发展他们身上的“ 闪光点“ ，给予鼓励和信任，使他们认识到控制感情的必要性和控制感情的科学方法。这样，他们可以成为积极热情、生气勃勃的人。 多血汁(活泼型)的学生行为方式特点是:活泼好动，精力充沛，反应迅速，善于交际，易适应环境。但兴趣和注意力易转移，具有较大的可塑性和外倾性。对这种气质的学生要注意培养他们的耐力和韧性。 平时要严格要求，防止化。这类学生接受道理快，表态快，但也忘得快病易重犯。对个别沾染不良习气的学生，应严厉批评，并说明造成的不良后果。对他们教育的好，可能使其发展为亲切热情，适应能力强的人;相反则发展为轻浮散漫，精力分散，行动草率的人。对这种人的批评一般可采用震动式批评方式，语调较为激烈，态度要严肃。对有些自我防卫心理强烈、不肯承认自己的过错，常常事后否认或搪塞掩饰或嫁于别人，应当采取当时、当场、当事批评的方式。 安静型(粘液质)的学生行为方式特点是:安静稳重、沉着冷静、善于耐、 情绪不易外露， 但沉默寡言、反应较慢、不够灵活，内倾明显。对这类学生，在学习、工作和生活中，不要逼他们表态，多给他们一些思考机会 。但也要防止出现懒惰和冷淡的感情，注重培养他们敏捷、勤奋和进去的精神。 引导他们与同学多交往 ，消除心理障碍。批评这种气质的学生应采取启发式的批评方式，多用暗示、提醒或启示， 借助他人、他事的事实，运用对比的方式烘托批评的内容， 使被批评者感到客观上的某种压力， 促使认识自己的缺点错误。