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。

属性对特性进行顺序排序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。

利用邻域分量分析(NCA)的对角自适应方法确定特征权重。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，请参见函数参考页面fscnca而这些主题：

检查每个预测单独使用的重要性F-测试，然后使用p值的F以及统计数据。每一个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。

利用邻域分量分析(NCA)的对角自适应方法确定特征权重。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，请参见函数参考页面fsrnca而这些主题：

排名功能使用拉普拉斯算子的分数。

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函数。可以使用。来指定顺序前向选择或顺序后向选择'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函数。可以使用。来指定顺序前向选择或顺序后向选择'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财产。可以使用in中的值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函数或'OptimizeHyperparameters'名称 - 值对的参数。

例如，请参见以下主题：

训练一个线性分类模型fitcecoc和线性二元学习者的定义templateLinear。指定“正规化”的templatelinear如'套索'使用套索正规化。

例如，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。您还可以使用以下工具评估模型kfoldEdge，kfoldMargin，边缘，失利， 要么余量。

训练一个线性分类模型fitclinear。指定“正规化”的fitclinear如'套索'使用套索正规化。

例如，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，计算AUC值perfcurve。您还可以使用以下工具评估模型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”,'ardrationalquadratic'。通过取负学习长度的指数，求出预测因子的权值KernelInformation财产。

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：

训练一个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：

训练一个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，请参见函数参考页面lassoglm而这些主题：

使用树学习器训练一个袋装分类集合fitcensemble并指定'方法'如“包”。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“包”。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和为随机森林选择预测因子。

使用树学习器训练分类集合fitcensemble。然后，使用predictorImportance到的计算估计预测的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到的计算估计预测的重要性在树中，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到的计算估计预测的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到的计算估计预测的重要性在树中，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。或者，您可以使用以下方法来拟合线性回归模型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，请参见函数参考页面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。或者，您可以使用以下方法来拟合线性回归模型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，请参见函数参考页面stepwiselm而这些主题：