효율적인 특징 선택은 모델의 계산 부하를 줄이고 성능을 향상시킬 수 있다. 본 연구에서는 유기화합물의 면역독성을 예측하기 위해 correlation based feature selection (CFS), symmetrical uncertainty (SU), mutual information (MI), Relief와 같은 필터 방법과 recursive feature elimination (RFE)를 필터 방법에 결합하는 방법과 같은 다양한 특징 선택 방법을 여러 기계학습 알고리즘에 적용하여 성능과 그에 따른 효율성을 비교하였다. 분자 표현자와 분자 지문을 면역독성을 예측하기 위한 특징으로 사용하였다. 특징 선택 방법 중 MI 방법은 naïve bayes 모델에서 효율적으로 특징 선택을 수행하였으며, CFS, Relief 방법은 트리기반 모델인 random forest와 XGBoost 모델에서 효율적으로 특징 선택을 수행하였다. 필터 방법에 RFE를 결합한 경우 Relief 방법에 RFE를 결합한 모델이 면역독성을 가장 잘 예측하는 것을 확인하였으며, 가장 성능이 좋았던 필터 조건에서 RFE를 시작하는 것이 효율적인 것을 확인하였다.