Neural network 分类中投入对产出的影响

我用MLP神经网络设计了一个分类器。网络输入有2000个功能，网络输出为6类

我的代码：

train_X, test_X, train_Y, test_Y = train_test_split(X, Y, test_size=0.2, random_state=np.random.seed(7), shuffle=True)

train_X = np.reshape(train_X, (train_X.shape[0], 1, train_X.shape[1]))
test_X = np.reshape(test_X, (test_X.shape[0], 1, test_X.shape[1]))

model = Sequential()
model.add(LSTM(100, return_sequences=False, input_shape=(train_X.shape[1], train_X.shape[2])))
model.add(Dense(train_Y.shape[1], activation='softmax'))
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])

model.fit(train_X, train_Y, validation_split=.20,
                        epochs=1000, batch_size=50)

问题：我如何确定网络的哪些输入对每个类别的分类影响最大

您有Python的示例吗？

也许您想要

---

一件事：有很多特征评估，主要取决于分类器将要做什么。有关更多信息，请参见《sklearn》的第页，了解训练后的权重，尽管这是否有帮助取决于复杂性，例如有多少隐藏层

---

小心你的假设我最喜欢的故事之一，可能是虚构的，是关于美国军方所做的一些工作。他们需要一个神经网络来识别图片中是否有主战坦克。所以他们制作了一组有坦克和没有坦克的图片，经过一段时间后，他们得到了非常好的效果。然后他们在另一组图片上试用，结果失败了。经过一些分析，他们得出结论，有坦克的图片有蓝色的天空，没有多云的天空。

也许你需要分析你的训练数据。分类器根据所提供的训练数据进行自我调整，还可以查看权重如何随不同训练集而变化。