使用个人卡方检验检验每个预测变量是否独立于一个响应变量，然后使用p- Chi-Square测试统计值。

例如，参见函数参考页FSCCHI2.．

依次使用排名功能最小冗余最大相关性(MRMR)算法．

例如，参见函数参考页fscmrmr．

利用对角自适应邻域成分分析(NCA)确定特征权重。该算法最适合于估计基于距离的监督模型的特征重要性，该模型使用观测之间的成对距离来预测响应。

具体请参见功能参考页面fscnca和这些主题:

用一个变量来检验每个预测器的重要性F- 最低，然后使用该等级的特征p值的F以及统计数据。每一个F-test对以下假设进行检验:根据预测变量值分组的响应值是从具有相同均值的总体中抽取的;而对总体均值不完全相同的备择假设进行检验。

例如，参见函数参考页fsrftest．

利用对角自适应邻域成分分析(NCA)确定特征权重。该算法最适合于估计基于距离的监督模型的特征重要性，该模型使用观测之间的成对距离来预测响应。

具体请参见功能参考页面fsrnca和这些主题:

使用拉普拉斯算子的分数．

例如，参见函数参考页fsulaplacian.．

使用ReliefF算法的分类和RReliefF回归算法。该算法最适合于估计基于距离的监督模型的特征重要性，该模型使用观测之间的成对距离来预测响应。

例如，参见函数参考页refieff.．

使用自定义标准顺序选择特性。定义一个函数，该函数度量数据的特征以选择特征，并将函数句柄传递给sequentialfs功能。您可以使用使用的顺序转发选择或顺序向后选择“方向”名称-值对的论点。sequentialfs使用交叉验证评估标准。

使用自定义标准顺序选择特性。定义实现有监督学习算法的函数或度量学习算法性能的函数，并将函数句柄传递给sequentialfs功能。您可以使用使用的顺序转发选择或顺序向后选择“方向”名称-值对的论点。sequentialfs使用交叉验证评估标准。

例如，参见函数参考页sequentialfs和这些主题:

创建线性判别分析分类器使用fitcdiscr.．一个经过训练的分类器，返回为ClassificationDiscriminant，将系数大小存储在DeltaPredictor财产。中使用的值DeltaPredictor作为预测器重要性的度量。该分类器使用两个正则化参数γ和δ识别和删除冗余预测器。属性获取这些参数的适当值cvshrink函数或“OptimizeHyperparameters”名称-值对的论点。

例如，请看以下主题:

用该方法训练线性分类模型fitcecoc线性二元学习者由templateLinear．指定“正规化”的templatelinear作为“套索”使用套索正规化。

例如，请参见使用交叉验证找到好的套索惩罚．这个例子通过使用不同的强度值评估模型来确定一个好的套索惩罚强度kfoldLoss．您还可以使用型号使用kfoldEdge，Kfoldmargin.，边缘，损失,或保证金．

用该方法训练线性分类模型fitclinear．指定“正规化”的fitclinear作为“套索”使用套索正规化。

例如，请参见使用交叉验证AUC找到好的套索惩罚．此示例通过使用AUC值评估具有不同强度值的模型来确定良好的套索惩罚强度。计算交叉验证后验类概率kfoldPredict，并使用灌注．您还可以使用型号使用kfoldEdge，kfoldLoss，Kfoldmargin.，边缘，损失，保证金,或预测．

利用高斯过程回归(GPR)模型进行训练fitrgp．设置“KernelFunction”名称-值对参数使用自动相关性确定(ARD)。可用的选项是“ardsquaredexponential”，“ardexponential”，“ardmatern32”，“ardmatern52”,“ardrationalquadratic”．通过取负学习长度标度的指数来找到预测器的权重，存储在KernelInformation财产。

例如，请看以下主题:

训练线性回归模型使用fitrlinear．指定“正规化”的fitrlinear作为“套索”使用套索正规化。

例如，请看以下主题:

训练线性回归模型套索正则化使用套索．你可以指定重量的套索与脊优化使用“α”名称-值对的论点。

例如，参见函数参考页套索和这些主题:

用。训练广义线性回归模型套索正则化使用lassoglm．你可以指定重量的套索与脊优化使用“α”名称-值对的论点。

具体请参见功能参考页面lassoglm和这些主题:

利用树学习器训练袋式分类集成fitcensemble并指定“方法”作为'包'．然后,用oobPermutedPredictorImportance来计算出袋，通过排列的预测重要性估计．该函数衡量的是模型中的预测变量在预测响应方面的影响力。

有关示例，请参阅函数参考页面和主题oobPermutedPredictorImportance．

通过使用树学习器训练袋式回归集成fitrensemble并指定“方法”作为'包'．然后,用oobPermutedPredictorImportance来计算出袋，通过排列的预测重要性估计．该函数衡量的是模型中的预测变量在预测响应方面的影响力。

例如，参见函数参考页oobPermutedPredictorImportance和为随机森林选择预测器．

利用树式学习器训练分类集成fitcensemble．然后,用predictorImportance来计算预测的重要性对每个预测器上的分裂导致的风险变化求和，然后除以分支节点的数量。

例如，参见函数参考页predictorImportance．

用。训练分类树fitctree．然后,用predictorImportance来计算预测的重要性对每个预测器的分割导致的风险变化求和，然后除以分支节点的数量。

例如，参见函数参考页predictorImportance．

通过使用树学习器训练回归集成fitrensemble．然后,用predictorImportance来计算预测的重要性对每个预测器上的分裂导致的风险变化求和，然后除以分支节点的数量。

例如，参见函数参考页predictorImportance．

训练一个回归树使用fitrtree．然后,用predictorImportance来计算预测的重要性对每个预测器的分割导致的均方误差(MSE)的变化求和，然后除以分支节点的数量。

例如，参见函数参考页predictorImportance．

利用逐步回归法拟合广义线性回归模型stepwiseglm．或者，您可以通过使用fitglm然后对模型进行调整一步．逐步回归是在解释响应变量时，根据变量的统计显著性在模型中添加项和删除项的系统方法。

具体请参见功能参考页面stepwiseglm和这些主题:

利用逐步回归法拟合线性回归模型stepwiselm．或者，您可以通过使用fitlm然后对模型进行调整一步．逐步回归是在解释响应变量时，根据变量的统计显著性在模型中添加项和删除项的系统方法。

具体请参见功能参考页面stepwiselm和这些主题: