La selección de características identifica, entre todas las variables disponibles, cuáles realmente aportan información útil para predecir el resultado deseado, descartando las irrelevantes o redundantes antes de entrenar el modelo final.
Por qué no es solo una cuestión de simplicidad
Menos variables suelen significar modelos más rápidos de entrenar, más fáciles de interpretar y menos propensos a overfitting, especialmente cuando la cantidad de variables disponibles es muy grande en comparación con la cantidad de observaciones.