بسیاری از الگوریتم ها ی یادگیری از مشکل داده های خام با ابعاد بالا رنج می برند. به عنوان مثال ما در این مقاله از شانزده ورودی که به صورت سری زمانی آرایش یافته اند استفاده کرده ایم که قصد این را داریم تا با انجام فرایند انتخاب ورودی انها را به چهار عدد تقلیل یابیم تا باعث بهبود در امر پیش بینی ما شود.از انجا که می دانید ویژگی ها و ورودی های غیر ضروری تنها باعث افزایش مدت یاد گیری و افزایش خطا می شوند.به عبارت دیگر دلیل کاهش ابعاد ورودی رسیدن به هدف زیر می باشد:
1-بوسیله کاهش اندازه مجموعه اموزش موثر باعث اعمال پیش بینی کار امد تر و اموزش بهتر می شود.
2- کاهش ابعاد اغلب باعث افزایش دقت پیش بینی می شود که این امر بوسیله حذف ویژگی های نویزی امکان پذیر می باشد.
در شکل(الف) نتایج مربوط به انتخاب بهترین و تاثیر گذار ترین ورودی ها بر خروجی را نشان می دهد.همانطور که در شکل دیده می شود سرعت باد در ارتفاع 40 متر و در زمان حال و نیز سرعت باد در ارتفاع 40 متر و با تاخیر 10 دقیقه قبل و نیز انحراف استاندارد در زمان حال و در ارتفاع 40 متر و در نهایت سرعت باد در زمان حال و ارتفاع 10 متر به عنوان ورودی های موثر(اولویت اول) انتخاب شده اند.
که این پروسه با استفاده از تابع exhsrch در نرم افزار MATLAB برای انتخاب ورودی را از میان 16 ورودی انجام داده و به 4 ورودی با بیشترین تاثیر بر خروجی خواهیم رسید .پیشنهاد می کنم حتما از این تابع برای عمل future selection در مقالاتتون استفاده کنید .