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.-卡方检验统计量的值。

有关示例，请参阅“功能参考”页面fscchi2．

使用最小冗余最大相关性（MRMR）算法．

有关示例，请参阅“功能参考”页面fscmrmr．

利用对角自适应邻域成分分析(NCA)确定特征权重。该算法最适合估算基于距离的监督模型的特征重要性，该模型在观察之间使用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-test，然后使用P.值的F以及统计数据。每一个F- 测试测试通过与替代假设的相同均值的群体中绘制了预测器变量值的响应值的假设，即人口意味着并不相同。

有关示例，请参阅“功能参考”页面FSRFTEST.．

利用对角自适应邻域成分分析(NCA)确定特征权重。该算法最适合估算基于距离的监督模型的特征重要性，该模型在观察之间使用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．

有关示例，请参阅“功能参考”页面fsulaplacian．

使用ReliefF分类算法和分类算法rrelieff.回归算法。该算法最适合估算基于距离的监督模型的特征重要性，该模型在观察之间使用成对距离来预测响应。

有关示例，请参阅“功能参考”页面relieff．

使用自定义标准顺序选择特性。定义测量数据特性以选择要素的函数，并将功能句柄传递给sequentialfs函数。属性指定顺序向前选择或顺序向后选择“方向”名称值对参数。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函数。属性指定顺序向前选择或顺序向后选择“方向”名称值对参数。sequentialfs使用交叉验证评估标准。

有关示例，请参阅“功能参考”页面sequentialfs和这些主题：

通过使用创建线性判别分析分类器fitcdiscr．训练有素的分类器，返回ClassificationDiscriminant，存储系数幅度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伽玛和三角洲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'名称值对参数。

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Kfoldedge那kfoldMargin那边缘那损失,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的AUC找到良好的套索惩罚．该示例通过使用AUC值评估具有不同强度值的模型来确定良好的租赁状态。使用使用来计算交叉验证的后级概率kfoldPredict，并使用perfcurve．您还可以使用Kfoldedge那kfoldLoss那kfoldMargin那边缘那损失那保证金,或预测．

通过使用培训高斯过程回归（GPR）模型fitrgp．设定“KernelFunction”名称-值对参数使用自动相关性确定(ARD)。可用的选项是“ardsquaredexponential”那'ardexponential'那“ardmatern32”那“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:

通过使用培训线性回归模型Fitrinear.．指定'正规化'的Fitrinear.作为'套索'使用套索正规化。

例如，请看以下主题:

用。训练线性回归模型套索使用使用正常化套索．你可以指定重量的套索与脊优化使用“α”名称值对参数。

有关示例，请参阅“功能参考”页面套索和这些主题：

用。训练广义线性回归模型套索使用使用正常化lassoglm.．你可以指定重量的套索与脊优化使用“α”名称值对参数。

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.计算禁止的禁止，预测值估算．该功能测量模型中预测器变量的影响程度如何预测响应。

有关示例，请参阅“功能参考”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.计算禁止的禁止，预测值估算．该功能测量模型中预测器变量的影响程度如何预测响应。

有关示例，请参阅“功能参考”页面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,用预测的重要性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。

有关示例，请参阅“功能参考”页面预测的重要性．

用。训练分类树fitctree．然后,用预测的重要性来计算预测的重要性通过在每个预测器上施加裂缝并将总和除以分支节点的数量来求解风险的变化。

有关示例，请参阅“功能参考”页面预测的重要性．

通过使用培训与树学习者的回归集合fitrensemble．然后,用预测的重要性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。

有关示例，请参阅“功能参考”页面预测的重要性．

使用培训回归树fitrtree．然后,用预测的重要性来计算预测的重要性由于每个预测器上的拼接和分支节点的数量将总和除以分支节点的拆分，因此通过求解平均平方误差（MSE）的变化来实现树。

有关示例，请参阅“功能参考”页面预测的重要性．

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：