在丘陵地区,滑坡灾害造成了大量的破坏和生命损失。为了减少这些危险区的破坏,准确预测滑坡事件仍然是一个关键挑战。多年来,机器学习模型已被用于提高滑坡预测的准确性和精确性。这些机器学习模型对其使用的数据非常敏感。特征选择是应用机器学习的一项关键任务,因为精心选择的特征可以显著提高机器学习模型的性能。这些选定的特征缩短了模型的学习时间,并提高了模型的可解释性。在本文中,我们考虑了三种特征选择方法,即卡方检验、额外树分类器和热图。本文证明了特征选择可以显著提高模型的性能。该研究是针对印度喜马偕尔邦(Himachal Pradesh)库尔卢(Kullu)至罗唐(Rohtang)交通走廊的滑坡数据进行的,分类评分和接收器操作特征(ROC)曲线被用于评估模型性能。结果表明,使用不同的特征选择方法消除一个或多个特征可以通过降低数据集的维数来提高模型的可解释性。该模型的准确率达到了90.74%,ROC曲线下面积(AUROC)值为0.979。此外,可以推断,通过减少特征数量,模型可以在不影响实际结果的情况下更快地学习.