特征选择被视为模式识别，机器学习和数据挖掘的重要预处理步骤。 邻域是分类学习中最重要的概念之一，可用于区分具有不同决策的样本。 本文提出了一种邻域歧视指数来表征邻域关系的区别信息。 它反映了特征子集的可区分性。 拟议的歧视指数是通过考虑邻域关系的基数而不是邻域相似度类来计算的。 介绍了区分指标的变化形式，包括联合区分指标，条件区分指标和相互区分指标，以计算由多个特征子集的组合引起的区分信息的变化。 它们具有与Shannon熵及其变体相似的属性。 在这些判别措施中引入了一个名为邻域半径的​​参数，