由于瞻望模型的需要：一方面，輸入變量之間該當只管不要有大的合聯（不然就有共線性co linearity的危害，互相強關連的輸入變量敷衍估計模子來敘是足夠的有害的，使模型估計效果大大低落）；另一方面，輸入變量跟主見變量之間應該有大的合連，即所遴選出的自變量應當具有相等的估計的效能和功效。

　　在回歸算法中，基于stepwise、forward、backward三種挑選輸入變量的要領，lstm預測數據沉要通過敷衍R square（Coefficient of Multiple Determination）的提拔效率的定奪，來揀選甄別輸入變量，而R square這個指標在回歸中的寓意普通說就是指各個自變量在多洪流準上沒合系詮釋主意變量的可變性的。

　　敷衍chi-square身手來敘，普通說，chi- square注明重要是評判希冀值和本色值的差異的，公式即是兩者差的平方除以希冀值。當chi- square的值大時，相對應的P-Value就很小，而P-Value代表的是上述差別爆發的權且性的沒合系性。以是，普通說，價格預測模型小于0。01的P-Value值，同時chi-square較勁大時，該變量被認為是值得輸入模型的。根底上主流的注釋泛起軟件都有這些堅定的效能，在SAS中，利用proc logistic(針對連續型變量)和proc freq(針對類別型變量)這些小軌范都沒合系斗勁方便得出結論的。

　　第三，從回歸模型的結論中，敷衍各個變量的系數所對應的彰彰性（Significant）和方差的觀察，也沒合系作出對于變量的重要性堅定的（看對應的PrT的值，以及PrF的值，假使小于0。01的話，注解對應的變量有較好的展望性，沒合系尋求放入估計模型中舉措輸入變量）。量的挑撰）？數據挖掘的預測建模在踐諾中，模型預測方法這種要領是先將極少以為不錯的變量放入回歸模型，爾后憑據這些結論指標做相應的增減變量的改變，lstm預測數據重新做回歸模仿，價格預測模型直到較勁公講的變量通過權衡之后被抉擇為止。

　　第四，另外，在SAS EM中，有兩個特別的節點器材（tree node，模型預測方法 variable selection node）用于輸入變量的采選，其中variable selection節點所拔取的兩種不合的決議變量的算法就是劃分對應上述的R square 指標和chi- square指標。不外在SAS EM中，基于回歸的方式只給出了stepwise的這種企圖方式，這也沒合系看出，stepwise這種要領是相對來敘最常用也對照有效的方式。

　　第六，lstm預測數據從往還體驗參考來說，老手因為熟識，潛意識里敷衍模型里面因變量和自變量的互相之間的合系對照有直覺有果斷，所以敷衍生意業務大師的提倡，倘若自動相仿交換給與的話，模型預測方法也沒合系昭著提拔變量決議的速率和質料以及效率的。固然了，老手的發起終于是否公講，最終已經要履歷模子以及相關的指標做著末的定奪的。

　　第七，價格預測模型末了，從項目踐諾的角度核辦，限于時光、成本、設法的特定須要，暫時間局限變量倘使很重要，可是有沒合系被爭執在外，價格預測模型好比這些變量的搜羅要蹧跶太長的時候、數據發現--估計模型（輸入變太多的精力，lstm預測數據云云量度下來，有沒合系將它隔膜在外，倘使在理論上它卓殊沉要。數據發現--估計模型（輸入變量的挑撰）？數據挖掘的預測建模！