检查每个预测变量是否是独立的响应变量的，通过使用单独的卡方检验，以及使用所述秩然后设有p卡方检验统计量 - 值。

举例来说，看到的功能参考页fscchi2。

秩设有依次使用最小冗余最大相关性（MRMR）算法。

举例来说，看到的功能参考页fscmrmr。

通过使用邻域成分分析（NCA）的对角自适应确定特征权重。该算法最适合估算基于距离的监督模型，观测之间使用成对的距离来预测应答功能的重要性。

有关详细信息，请参见功能参考页fscnca而这些主题：

检查每个预测单独使用的重要性F使用 - 测试，然后排名功能p的 - 值F- 测试统计数据。每F-test测试的假设，即由预测变量的值分组的响应值是从群体绘制与针对替代假设总体手段并不都是相同的相同的平均。

举例来说，看到的功能参考页fsrftest。

通过使用邻域成分分析（NCA）的对角自适应确定特征权重。该算法最适合估算基于距离的监督模型，观测之间使用成对的距离来预测应答功能的重要性。

有关详细信息，请参见功能参考页fsrnca而这些主题：

排名功能使用拉普拉斯积分。

举例来说，看到的功能参考页fsulaplacian。

排名功能使用ReliefF算法分类和RReliefF算法回归。该算法最适合估算基于距离的监督模型，观测之间使用成对的距离来预测应答功能的重要性。

举例来说，看到的功能参考页relieff。

选择功能顺序使用自定义的标准。定义一个函数，数据的措施的特性来选择特征和功能句柄传递到sequentialfs功能。您可以通过使用指定顺序向前选择或向后的顺序选择'方向'名称 - 值对的参数。sequentialfs评估使用交叉验证的标准。

选择功能顺序使用自定义的标准。定义一个函数实现监督学习算法或函数，学习算法的性能的措施，并通过功能句柄sequentialfs功能。您可以通过使用指定顺序向前选择或向后的顺序选择'方向'名称 - 值对的参数。sequentialfs评估使用交叉验证的标准。

举例来说，看到的功能参考页sequentialfs而这些主题：

通过使用创建一个线性判别分析分类器fitcdiscr。训练的分类，返回ClassificationDiscriminant，存储在系数大小DeltaPredictor属性。您可以使用值DeltaPredictor作为预测重要措施。这个分类使用两个正则化参数γ和δ识别和删除冗余的预测。您可以通过获取这些参数的适当的值cvshrink功能或'OptimizeHyperparameters'名称 - 值对的参数。

例如，请参见以下主题：

通过使用培养的线性分类模型fitcecoc和线性二进制学习者通过定义templateLinear。指定“正规化”的templatelinear如'套索'使用套索正规化。

对于一个示例，请参见查找使用交叉验证好套索处罚。本实施例中通过评估与使用不同的强度值的模型来确定良好套索-罚强度kfoldLoss。您也可以使用评价模型kfoldEdge，kfoldMargin，边缘，失利， 要么余量。

通过使用培养的线性分类模型fitclinear。指定“正规化”的fitclinear如'套索'使用套索正规化。

对于一个示例，请参见查找使用交叉验证AUC好套索处罚。本示例确定通过评估与使用AUC值不同强度值的模型良好的套索-惩罚强度。计算通过使用交叉验证后验概率类kfoldPredict，并计算通过使用AUC值perfcurve。您也可以使用评价模型kfoldEdge，kfoldLoss，kfoldMargin，边缘，失利，余量， 要么预测。

通过使用训练高斯过程回归（GPR）模型fitrgp。设置'KernelFunction'名称 - 值对的参数使用自动相关性确定（ARD）。可用的选项有'ardsquaredexponential'，'ardexponential'，'ardmatern32'，'ardmatern52'和'ardrationalquadratic'。通过采取消极了解到长度尺度的指数查找预测的权重，存储在KernelInformation属性。

例如，请参见以下主题：

通过使用培养的线性回归模型fitrlinear。指定“正规化”的fitrlinear如'套索'使用套索正规化。

例如，请参见以下主题：

火车一元线性回归模型套索正规化使用套索。您可以通过使用指定套索对脊优化的重量'Α'名称 - 值对的参数。

举例来说，看到的功能参考页套索而这些主题：

培养出广义线性回归模型套索正规化使用lassoglm。您可以通过使用指定套索对脊优化的重量'Α'名称 - 值对的参数。

有关详细信息，请参见功能参考页lassoglm而这些主题：

通过使用与培养学习者树袋装分类集成fitcensemble并指定'方法'如'袋'。然后，使用oobPermutedPredictorImportance计算乱袋，预测变量重要性估计在置换。该功能的措施如何影响模型的预测变量是在预测的响应。

举例来说，看到的函数引用页面和专题oobPermutedPredictorImportance。

通过培训袋装回归集成与树学习者fitrensemble并指定'方法'如'袋'。然后，使用oobPermutedPredictorImportance计算乱袋，预测变量重要性估计在置换。该功能的措施如何影响模型的预测变量是在预测的响应。

举例来说，看到的功能参考页oobPermutedPredictorImportance和选择用于预测指标随机森林。

通过培训与树学习者分类集成fitcensemble。然后，使用predictorImportance到的计算估计预测变量重要性对于乐团通过总结在风险的变化，由于在每一个预测和分支节点的数目除以和分裂。

举例来说，看到的功能参考页predictorImportance。

通过培训分类树fitctree。然后，使用predictorImportance到的计算估计预测变量重要性在树中，由于在每一个预测分裂总结在风险变化和分支节点的数目除以总和。

举例来说，看到的功能参考页predictorImportance。

通过训练回归集成与树学习者fitrensemble。然后，使用predictorImportance到的计算估计预测变量重要性对于乐团通过总结在风险的变化，由于在每一个预测和分支节点的数目除以和分裂。

举例来说，看到的功能参考页predictorImportance。

通过训练回归树fitrtree。然后，使用predictorImportance到的计算估计预测变量重要性在树中，由于在每一个预测分裂总结的均方误差（MSE）的变化和分支节点的数目除以总和。

举例来说，看到的功能参考页predictorImportance。

通过使用利用逐步回归拟合广义线性回归模型stepwiseglm。另外，您也可以通过使用适合的线性回归模型fitglm然后调整通过使用模型步。逐步回归是基于解释的响应变量的统计显着性的模型添加和删除方面的系统方法。

有关详细信息，请参见功能参考页stepwiseglm而这些主题：

通过使用利用逐步回归拟合线性回归模型stepwiselm。另外，您也可以通过使用适合的线性回归模型fitlm然后调整通过使用模型步。逐步回归是基于解释的响应变量的统计显着性的模型添加和删除方面的系统方法。

有关详细信息，请参见功能参考页stepwiselm而这些主题：