依次使用排名功能MRMR (Minimum Redundancy Maximum Relevance)算法．

例如，请参阅函数参考页面FSCMRMR.．

通过使用邻域分量分析（NCA）的对角线适应来确定特征权重。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。

有关详细信息，请参阅“功能参考”页面FSCNCA和这些主题:

通过使用邻域分量分析（NCA）的对角线适应来确定特征权重。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。

有关详细信息，请参阅“功能参考”页面FSRNCA.和这些主题:

等级功能使用拉普拉斯的分数．

例如，请参阅函数参考页面fsulaplacian.．

等级功能使用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refieff．

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序列功能。您可以使用使用的顺序转发选择或顺序向后选择'方向'名称-值对的论点。序列使用交叉验证评估标准。

使用自定义条件按顺序选择特性。定义实现监督学习算法的功能或测量学习算法性能的功能，并将功能句柄传递给序列功能。您可以使用使用的顺序转发选择或顺序向后选择'方向'名称-值对的论点。序列使用交叉验证评估标准。

例如，请参阅函数参考页面序列和这些主题:

使用。创建线性判别分析分类器fitcdiscr.．训练有素的分类器，返回分类Discriminant.，存储系数幅度deltapredictor财产。您可以使用值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玛和三角洲识别和删除冗余预测器。您可以使用该参数获取适当的值cvshrink功能或者“OptimizeHyperparameters”名称-值对的论点。

有关示例，请参阅以下主题：

通过使用培训线性分类模型fitcecoc.和线性二元学习者定义templateLinear．指定“正规化”的TemplateLinear.作为'套索'使用套索正规化。

例如，看到使用交叉验证找到良好的套索惩罚．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．您还可以使用型号使用Kfoldedge，Kfoldmargin.，边缘，损失,或保证金．

通过使用培训线性分类模型FitClinear.．指定“正规化”的FitClinear.作为'套索'使用套索正规化。

例如，看到使用交叉验证的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，并通过使用计算AUC值灌注．您还可以使用型号使用Kfoldedge，kfoldLoss，Kfoldmargin.，边缘，损失，保证金,或预测．

通过使用培训高斯过程回归（GPR）模型fitrgp.．设置'骨箱'使用自动相关性确定（ARD）的名称值对参数。可用选项是'ardsquaredexponential'，'ardexponential'，'ardmatern32'，'ardmatern52'， 和“ardrationalquadratic”．通过占据存储在中的负面学习长度尺度的指数来找到预测器权重，存储在KernelInformation财产。

有关示例，请参阅以下主题：

用。训练线性回归模型Fitrinear.．指定“正规化”的Fitrinear.作为'套索'使用套索正规化。

有关示例，请参阅以下主题：

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:

用培训一般性的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。

有关详细信息，请参阅“功能参考”页面lassoglm和这些主题:

使用树学习者培训一个装袋分类集合fitcensemble并指定“方法”作为'包'．然后，使用OobpermutedPredictorimportance.来计算out - bag, Predictor Importance estimate by Permutation．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.．

通过使用培训与树学习者的袋装回归集合fitrensemble.并指定“方法”作为'包'．然后，使用OobpermutedPredictorimportance.来计算out - bag, Predictor Importance estimate by Permutation．该功能测量模型中预测器变量的影响程度如何预测响应。

例如，请参阅函数参考页面OobpermutedPredictorimportance.和选择随机林的预测器．

使用树学习者培训分类集合fitcensemble．然后，使用predictorImportance计算估计预测重要性通过在每个预测器上的拆分和分支节点的数量划分危险的裂缝而求解风险的变化。

例如，请参阅函数参考页面predictorImportance．

使用fitctree．然后，使用predictorImportance计算估计预测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。

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计算估计预测重要性通过在每个预测器上的拆分和分支节点的数量划分危险的裂缝而求解风险的变化。

例如，请参阅函数参考页面predictorImportance．

使用培训回归树fitrtree.．然后，使用predictorImportance计算估计预测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．

使用逐步回归符合广义的线性回归模型stepwiseglm．或者，您可以使用线性回归模型fitglm然后通过使用调整模型步．逐步回归是基于解释响应变量的统计学意义，从模型添加和移除术语的系统方法。

有关详细信息，请参阅“功能参考”页面stepwiseglm和这些主题:

使用逐步回归使用线性回归模型步骤行程．或者，您可以使用线性回归模型fitlm然后通过使用调整模型步．逐步回归是基于解释响应变量的统计学意义，从模型添加和移除术语的系统方法。

有关详细信息，请参阅“功能参考”页面步骤行程和这些主题: