通过使用单个卡方检验检查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。

有关示例，请参见函数参考页fscchi2．

使用的排序功能最小冗余最大相关（MRMR）算法．

有关示例，请参见函数参考页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这些主题包括：

使用一个简单的方法分别检查每个预测值的重要性F-test，然后使用P值的F以及统计数据。每一个F-测试测试了由预测变量值分组的响应值来自具有相同平均值的总体的假设，与总体平均值不完全相同的替代假设相反。

有关示例，请参见函数参考页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这些主题包括：

使用拉普拉斯算子的分数．

有关示例，请参见函数参考页fsulaplacian．

使用救济分类算法及其应用瑞利夫回归算法。该算法最适合估计基于距离的监督模型的特征重要性，该模型使用观测值之间的成对距离来预测响应。

有关示例，请参见函数参考页relieff．

使用自定义条件按顺序选择要素。定义用于测量数据特征的函数以选择特征，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-值对参数。sequentialfs使用交叉验证对标准进行评估。

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-值对参数。sequentialfs使用交叉验证对标准进行评估。

有关示例，请参见函数参考页sequentialfs这些主题包括：

使用。创建线性判别分析分类器fitcdiscr．一个训练过的分类器，返回为ClassificationDiscriminant，将系数的大小存储在DeltaPredictor财产。中的值可以使用DeltaPredictor作为预测重要性的度量。该分类器使用两个正则化参数γ和δ识别并去除多余的预测因子。属性可以获取这些参数的适当值热缩函数或“OptimizeHyperparameters”名称-值对参数。

例如，请参阅以下主题:

利用。训练线性分类模型fitcecoc线性二元学习者定义为模板线性．指定“正规化”的templatelinear像“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. 本例通过使用不同的强度值来评估模型，从而确定好的套索惩罚强度kfoldLoss．您还可以使用kfoldEdge,kfoldMargin,边缘,损失或边缘．

利用。训练线性分类模型fitclinear．指定“正规化”的fitclinear像“套索”使用套索正规化。

例如，请参见使用交叉验证的AUC找到好的套索惩罚. 本例通过使用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。使用kfoldPredict，并使用perfcurve．您还可以使用kfoldEdge,kfoldLoss,kfoldMargin,边缘,损失,边缘或预测．

利用该方法训练高斯过程回归(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”,“ardexponential”,“ardmatern32”,“ardmatern52”,“理性二次”．通过取负学习长度尺度的指数来找到预测权值，存储在核信息财产。

例如，请参阅以下主题:

利用遗传算法训练线性回归模型fitrlinear．指定“正规化”的fitrlinear像“套索”使用套索正规化。

例如，请参阅以下主题:

用。训练线性回归模型套索应用正则化套索. 您可以使用“α”名称-值对参数。

有关示例，请参见函数参考页套索这些主题包括：

用。训练广义线性回归模型套索应用正则化拉索格姆. 您可以使用“α”名称-值对参数。

具体操作请参见功能参考页面拉索格姆这些主题包括：

使用树学习器训练袋式分类集成菲特森布尔并指定“方法”像“包”．然后,用oobPermutedPredictorImportance计算out - bag, Predictor Importance estimate by Permutation．该函数测量模型中的预测变量在预测响应方面的影响程度。

例如，请参阅函数参考页面和主题oobPermutedPredictorImportance．

使用树学习器训练袋式回归集成fitrensemble并指定“方法”像“包”．然后,用oobPermutedPredictorImportance计算out - bag, Predictor Importance estimate by Permutation．该函数测量模型中的预测变量在预测响应方面的影响程度。

有关示例，请参见函数参考页oobPermutedPredictorImportance和选择随机森林的预测器．

利用树学习器训练分类集成菲特森布尔．然后,用预测重要性估算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。

有关示例，请参见函数参考页预测重要性．

通过使用fitctree．然后,用预测重要性估算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，对树进行求和。

有关示例，请参见函数参考页预测重要性．

通过使用fitrensemble．然后,用预测重要性估算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。

有关示例，请参见函数参考页预测重要性．

使用fitrtree．然后,用预测重要性估算预测的重要性对于树，将由于每个预测器上的分裂而导致的均方误差（MSE）的变化相加，并将总和除以分支节点的数量。

有关示例，请参见函数参考页预测重要性．

采用逐步回归拟合广义线性回归模型逐步GLM．或者，您可以使用以下方法来拟合线性回归模型菲特格姆然后通过使用来调整模型一步．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逐步GLM这些主题包括：

采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然后通过使用来调整模型一步．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这些主题包括：