我正在尝试使用逻辑回归模型对一些EEG数据进行分类（这似乎给出了我数据的最佳分类） . 我的数据来自多通道EEG设置，所以本质上我有一个63 x 116 x 50的矩阵（即通道x时间点x试验次数（有两种试验类型为50），我已将其重新设计为长矢量，每个试验一个 .
我想做的是在分类后看看哪些特征在分类试验中最有用 . 我怎么能这样做，是否有可能测试这些功能的重要性？例如说分类主要是由N特征驱动，这些是特征x到z . 例如，我可以说时间点90-95的通道10对于分类来说是重要的或重要的 .
这是可能的，还是我问错了？
任何评论或论文参考都非常感谢 .
1 回答
Scikit-learn包含了很多功能排名方法，其中包括：
单变量特征选择（http://scikit-learn.org/stable/auto_examples/feature_selection/plot_feature_selection.html）
递归特征消除（http://scikit-learn.org/stable/auto_examples/feature_selection/plot_rfe_digits.html）
随机Logistic回归/稳定性选择（http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.RandomizedLogisticRegression.html）
（更多信息，请致电http://scikit-learn.org/stable/modules/feature_selection.html）
其中，我绝对建议给予随机Logistic回归一次 . 根据我的经验，它始终优于其他方法并且非常稳定 . 论文：http://arxiv.org/pdf/0809.2932v2.pdf
Edit: 我写了一系列关于不同特征选择方法及其优缺点的博客文章，这些文章可能对回答这个问题更有用：
http://blog.datadive.net/selecting-good-features-part-i-univariate-selection/
http://blog.datadive.net/selecting-good-features-part-ii-linear-models-and-regularization/
http://blog.datadive.net/selecting-good-features-part-iii-random-forests/
http://blog.datadive.net/selecting-good-features-part-iv-stability-selection-rfe-and-everything-side-by-side/