Один із підходів, який ви можете застосувати майже для будь-якої моделі прогнозування, - спершу навчити свою модель і знайти її точність, а потім за один вхід додати трохи шуму до неї та ще раз перевірити точність. Повторіть це для кожного входу і спостерігайте, як шум погіршує прогнози. Якщо вхід важливий, то додаткова невизначеність через шум буде згубна.
Пам'ятайте, що дисперсія шуму повинна бути пропорційною дисперсії вхідного питання.
Звичайно, шум є випадковим, і ви не хочете, щоб один вхід виглядав неважливим через випадкові ефекти. Якщо у вас є кілька прикладів тренувань, то розгляньте багаторазовий підрахунок зміни точності для кожного прикладу тренувань, кожен раз додаючи новий шум.
У відповідь на коментарі:
Цей аналіз також можна зробити, видаливши змінну повністю, але це має деякі недоліки порівняно з додаванням шуму.
Припустимо, що один з ваших даних є постійним, він діє як термін зміщення, тому він повинен грати певну роль у передбаченні, але він не додає інформації. Якщо ви повністю вилучили цей вхід, то прогнозування стане менш точним, оскільки перцептрони отримують неправильні ухили. Це робить вхід таким, як він важливий для прогнозування, хоча він не додає інформації. Додавання шуму не спричинить цю проблему. Цей перший пункт не є проблемою, якщо ви стандартизували всі входи на нульову середню.
Якщо два входи корелюються, то інформація про один вхід дає інформацію про інший. Модель може бути добре навчена, якщо ви використовували лише один з корельованих входів, тому ви хочете, щоб аналіз виявив, що один вхід не корисний. Якщо ви тільки що видалили один із входів, то, як і перший зроблений пункт, точність прогнозування значно зменшиться, що свідчить про важливість. Однак додавання шуму не спричинить цю проблему.