Um método de seleção de características bem conhecido que utiliza uma rede neural é chamado Node Pruning [Mao et al., 1994] ou ``corte de nós''. Basicamente, o algoritmo funciona através de uma rede neural multi-camadas com retro-alimentação, utilizando um algoritmo de aprendizado baseado em retro-propagação (backpropagation). É definida uma medida de ``saliência de nós'' e utilizado um algoritmo que elimina os nós menos salientes. Dessa forma, a complexidade da rede pode ser reduzida após seu treinamento. A eliminação dos nós de entrada significa a eliminação de características do conjunto de características. A saliência de um nó é definida pela soma do aumento no erro sobre todos os padrões de treinamento, como um resultado da remoção daquele nó (vide equação 3.25).
Inicialmente, a rede neural é treinada, sendo posteriormente realizada a eliminação de nós seguida de um re-treinamento da rede, repetindo-se o processo até que seja alcançada a dimensão desejada. A vantagem do método node-pruning é que ele simultaneamente determina o melhor subconjunto de características e o classificador ótimo.