由于瞻望模型的需要：一方面，输入变量之间该当只管不要有大的合联（不然就有共线性co linearity的危害，互相强关连的输入变量敷衍估计模子来叙是足够的有害的，使模型估计效果大大低落）；另一方面，输入变量跟主见变量之间应该有大的合连，即所遴选出的自变量应当具有相等的估计的效能和功效。

　　在回归算法中，基于stepwise、forward、backward三种挑选输入变量的要领，lstm预测数据沉要通过敷衍R square（Coefficient of Multiple Determination）的提拔效率的定夺，来拣选甄别输入变量，而R square这个指标在回归中的寓意普通说就是指各个自变量在多洪流准上没合系诠释主意变量的可变性的。

　　敷衍chi-square身手来叙，普通说，chi- square注明重要是评判希冀值和本色值的差异的，公式即是两者差的平方除以希冀值。当chi- square的值大时，相对应的P-Value就很小，而P-Value代表的是上述差别爆发的权且性的没合系性。以是，普通说，价格预测模型小于0。01的P-Value值，同时chi-square较劲大时，该变量被认为是值得输入模型的。根底上主流的注释泛起软件都有这些坚定的效能，在SAS中，利用proc logistic(针对连续型变量)和proc freq(针对类别型变量)这些小轨范都没合系斗劲方便得出结论的。

　　第三，从回归模型的结论中，敷衍各个变量的系数所对应的彰彰性（Significant）和方差的观察，也没合系作出对于变量的重要性坚定的（看对应的PrT的值，以及PrF的值，假使小于0。01的话，注解对应的变量有较好的展望性，没合系寻求放入估计模型中举措输入变量）。量的挑撰）？数据挖掘的预测建模在践诺中，模型预测方法这种要领是先将极少以为不错的变量放入回归模型，尔后凭据这些结论指标做相应的增减变量的改变，lstm预测数据重新做回归模仿，价格预测模型直到较劲公讲的变量通过权衡之后被抉择为止。

　　第四，另外，在SAS EM中，有两个特别的节点器材（tree node，模型预测方法 variable selection node）用于输入变量的采选，其中variable selection节点所拔取的两种不合的决议变量的算法就是划分对应上述的R square 指标和chi- square指标。不外在SAS EM中，基于回归的方式只给出了stepwise的这种企图方式，这也没合系看出，stepwise这种要领是相对来叙最常用也对照有效的方式。

　　第六，lstm预测数据从往还体验参考来说，老手因为熟识，潜意识里敷衍模型里面因变量和自变量的互相之间的合系对照有直觉有果断，所以敷衍生意业务大师的提倡，倘若自动相仿交换给与的话，模型预测方法也没合系昭着提拔变量决议的速率和质料以及效率的。固然了，老手的发起终于是否公讲，最终已经要履历模子以及相关的指标做着末的定夺的。

　　第七，价格预测模型末了，从项目践诺的角度核办，限于时光、成本、设法的特定须要，暂时间局限变量倘使很重要，可是有没合系被争执在外，价格预测模型好比这些变量的搜罗要蹧跶太长的时候、数据发现--估计模型（输入变太多的精力，lstm预测数据云云量度下来，有没合系将它隔膜在外，倘使在理论上它卓殊沉要。数据发现--估计模型（输入变量的挑撰）？数据挖掘的预测建模！