环境污染物的毒性检测对于环境治理具有重要意义。常规的实验检测方法费时耗力,而且有可能造成污染物的泄露导致造成二次污染。定量构效关系（Quantitative structure-activity relationship,QSAR）可以作为实验检测结果的有效补充,能够通过化合物的结构特征来预测其毒性,通过特征选择方法选取合适的特征进行预测是QSAR研究的一个重点。准确测度两个变量间的关联是特征选择的基础。Pearson相关系数R仅能捕获线性相关,最大信息系数（maximal information coefficient,MIC）能捕获非线性关联,但存在无法反映可预测性的缺陷。如函数关系:（Y-0.5）~2=X,（Y∈[0,1]）,尽管X与Y之间的关联程度达到最大为1（MIC（X,Y）=MIC（Y,X）=1）,但基于X的支持向量回归（support vector regression,SVR）模型并不能准确预测Y,其可预测性约为0。本文借鉴Fisher最优分割策略和统计学习理论中的结构风险最小化原则提出矫正最大可预测性系数（Adjusted maximal predictability coefficient,AMPC）。等价性好的测度指标在不同函数的相同强度噪音水平下,其得分应当接近,AMPC对10个不同函数获得了近乎完美的等价性。在5个不同函数上,整体而言,AMPC的统计功效明显优于R~2、d Cor、MIC和Chi MIC。将AMPC指标作为最大相关最小冗余（minimum Redundancy Maximum Relevance,m RMR）特征选择方法中的冗余与关联测度指标,发展了最优特征子集选择新方法AMPC＿share。使用Housing数据集与PLSR、STEP和KNN-FABC等其他九个特征子集选择方法进行比较,AMPC＿share特征子集选择方法使用最少的特征获得了最优的结果。三个醇酚类化合物毒性QSAR数据集的分析结果表明,基于AMPC＿share选择特征的SVR模型进行独立预测,其R~2分别为0.949、0.936、0.983,结果优于文献报道,且所用特征更少。进一步验证AMPC作为回归模型的预测能力。与分别使用线性核与径向基核的SVR模型参比,用于555个因果关系数据集的独立预测。结果显示AMPC在536个数据集上的预测精度优于线性核SVR,在535个数据集优于径向基核SVR模型,且在计算耗时上显著低于SVR模型。