连续投影算法（successive projections algorithm， SPA） 是前向特征变量选择方法。SPA利用向量的投影分析，通过将波长投影到其他波长上，比较投影向量大小，以投影向量最大的波长为待选波长，然后基于矫正模型选择最终的特征波长。SPA选择的是含有最少冗余信息及最小共线性的变量组合

在Wang等给出的组合惩罚函数的基础之上，将SCAD惩罚部分推广到一般的非凸惩罚的形式，利用岭回归在解释变量相关度较高情形下的良好表现，提出一种推广了的组合惩罚．在参数个数发散的情形之下，利用贝叶斯信息准则(BIC)来选择调整参数，能同时完成变量选择和参数估计．而且还可以证明在合适的条件之下，这种估计具有Oracle性质．模拟研究的结果证明了所提出的方法在预测变量具有强相关性之下的优势．

波士顿房价数据，练手变量选择

一段用于光谱分析波段选择的无信息变量消除算法matlab代码。

comita:集成趋势分析（ITA）通常用于总结近几十年来在生态系统中发生的变化。 当前，有多种用于ITA的方法，这引起了人们的疑问，哪种方法是用于ITA的最佳方法。 该应用程序的目的是提供一种工具，可以轻松地比较不同的ITA方法，并测试数据预处理和变量选择对​​最终结果的影响。 希望该软件包将提高生态学家对不同降维技术的认识，并根据其数据集的特征为选择ITA方法提供理由和信心

该资源是多元回归分析的案例，包含数据生成、模型建立、变量选择、相关性分析等等。配套的讲解资源是适合新手学习：https://blog.csdn.net/weixin_46111814/article/details/105673197

---- 注：sMC-PLS 方法对 PLS 模型的质量很敏感。 质量差的 PLS 模型可能包含大量不相关的数据变化，这些变化会影响 sMC 的变量选择。 因此，强烈建议将 sMC 与 WRT-PLS 结合使用，以对所有组件的模型进行质量评估。 WRT-PLS 的 Matlab 代码如下。 https://nl.mathworks.com/matlabcentral/fileexchange/63441-wrtpls--selection-of-the-number-of-components-in-pls-partial-least-squares ------ [1] DOI： http : //dx.doi.org/10.1016/j.chemolab.2014.08.005 TN Tran、NL Afanador、LMC Buydens、L. Blanchet，具有显着性多元相关

一种面向高维数据的DS-ALasso变量选择方法，邱建荣，罗汉，变量选择是高维数据分析的重要环节，Laaso方法不具有Oracle性质且存在在处理维数大于样本量的数据结构时只能选取个变量的缺点，为解�

变量相关情况下高维数据变量选择方法，段乾鹏，郑少智，当变量之间具有较强相关性时，单个惩罚函数的变量选择方法效果会大大降低。文章提出组合惩罚的系数的拉普拉斯收缩变量选择方法，

变量选择是分类中最重要的模型选择问题之一。 提出了一种新的基于局部偏最小二乘（KPLS）子空间中的最近邻（FNN）的方法，以选择简约变量作为非线性建模输入。 首先，将非线性输入简化为KPLS子空间的主要成分。 此外，它们的重要性的顺序是根据FNN在KPLS子空间中启发的距离度量确定的。 这样，识别出了不重要的变量。 最后，使用不同的参数模型研究了3个典型分类问题的变量选择。 结果表明，该方法对非线性模型约简是有效的。 因此，可以用于非线性系统的变量选择。