Запропоновано метод виділення вибірок, який для вихідної вибірки визначає індивідуальну значущість екземплярів, після чого послідовно нарощує підвибірку, відбираючи до неї найбільш індивідуально високоінформативні екземпляри в кожному класі і виключаючи екземпляри, які є надлишковими або такими, що погіршують класифікацію. Це дає змогу автоматизувати аналіз вибірки, скоротити розмірність навчальних даних, а також скоротити час і забезпечити прийнятну точність навчання нейромоделей. Проведено експерименти з дослідження запропонованого методу, результати яких дозволяють рекомендувати його для використання на практиці в задачах діагностування та розпізнавання образів.