使用单个卡方检验检验每个预测变量是否独立于响应变量，然后使用p卡方检验统计量的值。

例如，请参阅函数参考页面fscchi2．

使用的排序功能MRMR (Minimum Redundancy Maximum Relevance)算法．

例如，请参阅函数参考页面fscmrmr．

利用对角自适应邻域分量分析(NCA)确定特征权重。这种算法最适用于基于距离的监督模型的特征重要性估计，该模型使用观察之间的成对距离来预测响应。

具体操作请参见功能参考页面fscnca和这些主题:

检查每个预测的重要性单独使用F-test，然后使用p值的F以及统计数据。每一个F-test检验按预测变量值分组的响应值是从具有相同均值的总体中提取的假设，而另一种假设是总体均值不都相同。

例如，请参阅函数参考页面fsrftest．

利用对角自适应邻域分量分析(NCA)确定特征权重。这种算法最适用于基于距离的监督模型的特征重要性估计，该模型使用观察之间的成对距离来预测响应。

具体操作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，请参阅函数参考页面fsulaplacian．

使用ReliefF算法的分类和RReliefF回归算法。这种算法最适用于基于距离的监督模型的特征重要性估计，该模型使用观察之间的成对距离来预测响应。

例如，请参阅函数参考页面relieff．

使用自定义条件按顺序选择特性。定义一个函数来测量数据的特征以选择特征，并将函数句柄传递给sequentialfs函数。属性可以指定顺序向前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。

使用自定义条件按顺序选择特性。定义一个实现监督学习算法的函数或一个衡量学习算法性能的函数，并将函数句柄传递给sequentialfs函数。属性可以指定顺序向前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，请参阅函数参考页面sequentialfs和这些主题:

使用创建线性判别分析分类器fitcdiscr. 经过训练的分类器，返回为分类判别式，将系数大小存储在DeltaPredictor财产。中的值可以使用DeltaPredictor来衡量预测的重要性。这个分类器使用两个正则化参数伽马和三角洲识别并删除冗余预测值。您可以使用cvshrink函数或“优化超参数”名称-值对的论点。

有关示例，请参见以下主题：

利用。训练线性分类模型fitcecoc线性二元学习者定义为templateLinear. 具体说明“正规化”的模板线性作为“套索”使用套索正则化。

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来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，kfoldMargin，边缘，损失,或保证金．

利用。训练线性分类模型fitclinear. 具体说明“正规化”的fitclinear作为“套索”使用套索正则化。

例如，请参见使用交叉验证的AUC找到好的套索惩罚．这个例子通过使用AUC值来评估具有不同强度值的模型来确定一个良好的套索惩罚强度。使用。计算交叉验证的后验类概率kfoldPredict，并使用perfcurve．您还可以使用kfoldEdge，kfoldLoss，kfoldMargin，边缘，损失，保证金,或预测．

使用以下方法训练高斯过程回归（GPR）模型菲特尔格普．设置“KernelFunction”使用自动相关性确定（ARD）的名称-值对参数。可用选项包括“ardsquaredexponential”，“ardexponential”，“ardmatern32”，“ardmatern52”,“ardrationalquadratic”．通过取负学习长度尺度的指数来找到预测权值，存储在KernelInformation财产。

有关示例，请参见以下主题：

用。训练线性回归模型菲特利恩. 具体说明“正规化”的菲特利恩作为“套索”使用套索正则化。

有关示例，请参见以下主题：

用。训练线性回归模型套索正则化使用套索．您可以指定的重量套索与脊优化使用“α”名称-值对的论点。

例如，请参阅函数参考页面套索和这些主题:

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

具体操作请参见功能参考页面lassoglm和这些主题:

使用树学习器训练袋式分类集成fitcensemble并具体说明“方法”作为“包”. 然后，使用面向对象编程的重要性来计算现成的，通过排列的预测重要性估计. 该函数测量模型中预测变量对预测响应的影响程度。

有关示例，请参见函数参考页和主题面向对象编程的重要性．

通过使用fitrensemble并具体说明“方法”作为“包”. 然后，使用面向对象编程的重要性来计算现成的，通过排列的预测重要性估计. 该函数测量模型中预测变量对预测响应的影响程度。

例如，请参阅函数参考页面面向对象编程的重要性和选择随机森林的预测器．

利用树学习器训练分类集成fitcensemble. 然后，使用predictorImportance估计预测的重要性通过对每个预测器的分裂所造成的风险变化进行求和，并除以分支节点的数量来进行集成。

例如，请参阅函数参考页面predictorImportance．

使用菲茨特里. 然后，使用predictorImportance估计预测的重要性对于树，将每个预测器上的分裂导致的风险变化相加，并将总和除以分支节点的数量。

例如，请参阅函数参考页面predictorImportance．

使用树学习器训练回归集成fitrensemble. 然后，使用predictorImportance估计预测的重要性通过对每个预测器的分裂所造成的风险变化进行求和，并除以分支节点的数量来进行集成。

例如，请参阅函数参考页面predictorImportance．

通过使用菲特里. 然后，使用predictorImportance估计预测的重要性通过对每个预测器的分裂所引起的均方误差(MSE)的变化进行求和，并除以分支节点的数量，对树进行计算。

例如，请参阅函数参考页面predictorImportance．

采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然后使用步．逐步回归是一种基于解释响应变量的统计显著性对模型进行添加和删除的系统方法。

具体操作请参见功能参考页面stepwiseglm和这些主题:

通过使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菲特姆然后使用步．逐步回归是一种基于解释响应变量的统计显著性对模型进行添加和删除的系统方法。

具体操作请参见功能参考页面stepwiselm和这些主题: