Uma abordagem que você pode adotar para quase qualquer modelo de previsão é primeiro treinar seu modelo e encontrar sua precisão; depois, para uma entrada, adicione algum ruído e verifique a precisão novamente. Repita isso para cada entrada e observe como o ruído piora as previsões. Se uma entrada é importante, a incerteza extra devido ao ruído será prejudicial.
Lembre-se de definir a variação do ruído como proporcional à variação da entrada em questão.
É claro que o ruído é aleatório e você não deseja que uma entrada pareça sem importância devido a efeitos aleatórios. Se você tiver poucos exemplos de treinamento, considere calcular repetidamente a alteração na precisão de cada exemplo de treinamento com um novo ruído adicionado a cada vez.
Em resposta aos comentários:
Essa análise também pode ser feita removendo uma variável completamente, mas isso tem algumas desvantagens em comparação à adição de ruído.
Suponha que uma de suas entradas seja constante, ela atue como um termo tendencioso, portanto, ela tem algum papel a desempenhar na previsão, mas não adiciona informações. Se você removesse completamente essa entrada, a previsão se tornaria menos precisa, porque os perceptrons estão recebendo o viés errado. Isso faz com que a entrada pareça importante para a previsão, mesmo que ela não inclua informações. Adicionar ruído não causará esse problema. Este primeiro ponto não é um problema se você padronizou todas as entradas para ter média zero.
Se duas entradas estiverem correlacionadas, as informações sobre uma entrada fornecerão informações sobre a outra. Um modelo poderia ser bem treinado se você usasse apenas uma das entradas correlacionadas, para que a análise descubra que uma entrada não é útil. Se você acabou de remover uma das entradas, como o primeiro argumento, a precisão da previsão diminuiria muito, o que indica que é importante. No entanto, adicionar ruído não causará esse problema.