随着信息大爆炸时代的到来,信息量在不断的呈几何分布地增长。但是,在实际问题的解决当中,由于庞大的信息量,可能会造成重要信息被众多次要的信息所掩埋,造成对具体问题的错误认识以及理解,因此这些庞大的信息量就需要被处理,找出主要的信息,来构建具体的模型对具体问题进行分析理解。而这一过程,也就是针对具体问题进行变量选择的过程。变量选择会有利于具体问题的研究,而对于在统计学中有深远意义的分类问题,更需要在分类前对变量进行选择。本文采用了UCI数据集中的威斯康辛州的乳腺癌数据以及兰州2014.1-2015.3一年的空气监测数据进行研究,找出这两个问题中的主要影响变量。目前最前沿的变量选择方法,都是利用变量系数的惩罚似然函数,并解出其最优参数估计值,即实现变量系数的压缩,以实现变量选择,而本文则是从测量误差入手,认为观测值是有测量误差的,构建关于测量精度的似然函数,再利用Lasso方法中通过解优化问题,实现变量系数的压缩的原理,将观测值的测量精度进行压缩,而其中为零的测量精度所对应的变量的测量误差方差无穷大,从而对应变量的误差波动较大,也就使得该变量在模型中失去了价值,被选出模型,从而实现变量选择。本文特别的是在非参数分类中来用此新的变量选择方法,而且在前一个实例中与现有的变量选择方法进行比较,发现两种方法下的变量构建的分类器,新方法下的分类器效果更优,即分类误差更小。而新方法在兰州空气质量数据中的应用,也进一步体现出了新方法的优越性,很清晰地给出了兰州去年空气中的主要污染物。