Viimeinen kohta koskee määrä muuttujia kartioleikkausten peräisin Ivakhnenko ja Lapa (1965). He ehdottavat, että "toissijainen" palaute sovelletaan (sekä oppiminen palaute) valitaksesi hyödyllisin muuttujia suuresta joukosta perin. Kuten edellä mainittiin, tämä on olemassa vähäinen muodossa jo. Selittää, kerran, seurauksena punnita T-chan ging, muuttuja paino laskenut nollaan sen pysyy siellä loput oppimisen aikana; toisin sanoen, että muuttuja hylätään. Tämä prosessi on mahdollista ainoastaan vaatimus normalisointia painot (ks
(4) alla).
(3) muoto ja määrä historiallisia tietoja on pidettävä kompromissi optimaalisen ohjelman vaatimukset ja käytännön tiedonkeruun ja asiakkaan vaatimukset. Paras pituus historian (eli määrä ajanjaksoksi) riippuu, teoriassa, onko prosessi on paikallaan tai ei-paikallaan. Itse asiassa, kaikki prosessit ovat ei-paikallaan, mutta jotkut ovat paikallaan kuin toiset. Tämä tarkoittaa sitä, että keskimääräinen ennusteen muuttujan yli kokonaisuus on aina ajasta riippuvainen, mutta joissakin prosesseissa muutosnopeus on riittävän hidas laiminlyödään. Nämä ovat paikallaan prosesseja.
On käynyt ilmi, että enemmän paikallaan prosessi kauemmin on optimaalinen (ks Ivakhnenko ja Lapa). Koska vertailu on perusta tämän menetelmän meillä on ihanteellinen paikallaan prosessin kuivilla niin pitkä historia on parempi. Käytännön ongelmia käytön pitkä historia ovat ilmeiset, tärkein on tallennustilaa, joka on kallista. Ohjelma käsittelee 10 aikakausista mutta jälleen, tämä voidaan pidentää helposti, jos on tarpeen. Todellinen aika-ajanjakso riippuu pelkästään käytännön asiakkaan vaatimukset.
Jos asiakas on valmis ostamaan ja myymään kahden viikon välein niin aika-ajanjakson olisi oltava kahden viikon välein ja niin edelleen. Jos hänellä ei ole aavistustakaan tämän osto /myynti jaksolta pienempi ajanjaksoina paremmin, vaikka tämä merkitsee lisääntyvää ongelmia tiedon