Matlab 支持向量回归的特征选择问题

我是机器学习新手，在计划分析的某个阶段遇到了问题。我试图用ML来处理我的一些EEG数据，以确定在继续发展为自闭症的婴儿中，大脑中哪些功能连接网络发生了改变。预测/响应将是一个行为“ASD评分”，大约300个连通性值将作为特征。样本量=63

通过查看文献中的类似方法并将其应用于我的问题，我的计划是：

1） 执行交叉验证的特征选择（确定300个特征中哪一个在我的模型中最有用）

2） 训练一个支持向量回归模型，使用留一法确定模型是否能够预测以后的ASD行为评分

3） 使用贝塔权重确定哪些神经连接最能“预测”以后的ASD分数

我真的很难从第二步转到第三步。。。我知道我不能简单地在整个样本中检查哪些连接与行为相关，并使用这些连接来训练遗漏模型

到目前为止，我使用的最好的方法是在Matlab中使用sequentialfs，并使用一个遗漏分区。尽管如此，我觉得这仍然是有偏见的，因为从我所能收集到的B）对于每N=63个训练样本/折叠，构建一个最能最小化MSE的特征子集，B）从N=63个最小MSE折叠中选择一个特征子集。。。。因此，使用这一特征子集将代表遗漏一个主题的折叠，这似乎类似于基于整个样本选择连接