Scikit learn 找到重要的特征进行分类

我正在尝试使用逻辑回归模型对一些脑电图数据进行分类（这似乎是我数据的最佳分类）。我拥有的数据来自多通道EEG设置，因此本质上我有一个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），我将其重塑为一个长向量，每个试验一个

我想做的是在分类之后，看看哪些特征在对试验进行分类时最有用。我该如何做，是否有可能测试这些特征的重要性？例如，说分类主要由N个特征驱动，这些是特征x到z。因此，我可以举个例子说，在时间点90-95对分类具有重要意义

那么这是可能的还是我问错了问题

---

非常感谢您的评论或论文参考。

Scikit learn提供了许多功能排名方法，其中包括：

• 单变量特征选择（）
• 递归特征消除（）
• 随机逻辑回归/稳定性选择（）

（更多信息请参见）

在这些方法中，我绝对建议尝试随机逻辑回归。根据我的经验，它始终优于其他方法，并且非常稳定。 关于这一点的文件：

编辑： 我写了一系列关于不同功能选择方法及其优缺点的博文，这些博文可能有助于更详细地回答这个问题：

---

非随机L1惩罚模型也不错（即L1惩罚Logistic回归和LinearSVC）。我还没有太多随机版本的经验。第二@AndreasMueller的建议是，L1惩罚SVM对于某些任务（看起来不像EEG读数，所以YMMV）是一个非常好的特征选择算法。请参见此处的

L1LinearSVC

。根据我的经验，非随机化方法可能失败的情况是，您具有强多重共线性特征，在这种情况下，某些特征可能位于数据子集的顶部，而被正则化为另一个子集。@snarly文档分类示例已移动到RandomizedLogisticRegression已弃用：（弃用：RandomizedLogisticRegression类在0.19中弃用，将在0.21中删除。）(