当面临许多变量时，很自然的要进行变量的初次筛选，以便减缓后续的建模计算压力。本文提出了一种新的有效的变量选择方法，不依赖于模型的清晰指定，故而具有很大的灵活性与适应范围。

针对回归问题中存在的变量选择和网络结构设计问题, 提出一种基于互信息的极端学习机(ELM) 训练算法, 同时实现输入变量的选择和隐含层的结构优化. 该算法将互信息输入变量选择嵌入到ELM网络的学习过程之中, 以网络的学习性能作为衡量输入变量与输出变量相关与否的指标, 并以增量式的方法确定隐含层节点的规模.在Lorenz、Gas Furnace 和10 组标杆数据上的仿真结果表明了所提出算法的有效性. 该算法不仅可以简化网络结构, 还可以提高网络的泛化性能.

基于变量选择深度信念神经网络的风速预测.pdf

基于自标度数据的偏最小二乘（PLS）回归系数是一个重要变量的理论，云永欢等提出了一种新的变量选择策略&迭代变量子集优化（IVSO）。在这项工作中，每个子模型中产生的回归系数都被规范化以消除影响。在每一轮迭代中，将从子模型中得到的各变量的回归系数相加，以评估其重要性水平。采用加权二元矩阵抽样（WBMS）和序贯加法两步法，以竞争的方式逐步、温和地消除非信息变量，降低重要变量丢失的风险。此外，还考虑到，通过交叉验证产生的潜在变量的最佳数量将对回归系数产生很大的差异，有时这种差异甚至可以变化几个数量级。

由邓百川等提出的一种近红外光谱特征提取算法，A bootstrapping soft shrinkage (BOSS) approach for variable selection

金蝶通过变量选择单据转换规则.doc

论文研究-灰色模型GM(1,n)的变量选择及拟合度分析.pdf,  根据灰色关联度，探讨了ＧＭ（１， ｎ ）拟合度与变量选择的关系．应用实例，说明了变量选择在灰色建模过程中的必要性．

基于模型集群分析（MPA）的思想，在每次迭代过程中逐步优化变量空间，最终达到选择最优变量组合的目的。

Lasso与其他变量选择方法的模拟比较，胡一睿，曲荣华，[目的]提出一种基于收缩估计的新的变量选择方法-Lasso，并比较其与其他变量选择方法的异同。[方法]首先给出了几种常见的变量选择方�

内含2021美赛C题第二问代码。内涵图像处理、词云图、词频统计、回归模型、变量选择、判别分析的建模实现代码。 感兴趣的可以下载学习。 声明：只可自己使用，不可商用。违者必究。 具体思路分析见下面链接：https://tjxwz.blog.csdn.net/article/details/113722054