找到分类的重要特征

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（这似乎给出了我的数据的最佳分类）。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，均为 50），我已将其重新调整为长向量，每次试验一个。

我想做的是在分类之后看看哪些特征对试验分类最有用。我该如何做到这一点？是否可以测试这些功能的重要性？例如可以说分类主要由 N 个特征驱动，这些特征是特征 x 到 z。因此，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。

那么这是可能的还是我问错了问题？

非常感谢任何评论或论文参考。

Scikit-learn 包含相当多的特征排名方法，其中：

• 单变量特征选择（http://scikit-learn.org/stable/auto_examples/feature_selection/plot_feature_selection.html 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 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 http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.RandomizedLogisticRegression.html)

（更多信息请访问http://scikit-learn.org/stable/modules/feature_selection.html http://scikit-learn.org/stable/modules/feature_selection.html)

其中，我绝对建议尝试一下随机逻辑回归。根据我的经验，它始终优于其他方法并且非常稳定。 关于此的论文：http://arxiv.org/pdf/0809.2932v2.pdf 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，这些文章可能有助于更详细地回答这个问题：

• http://blog.datadive.net/selecting-good-features-part-i-univariate-selection/ 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-ii-linear-models-and-regularization/
• http://blog.datadive.net/selecting-good-features-part-iii-random-forests/ 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/ http://blog.datadive.net/selecting-good-features-part-iv-stability-selection-rfe-and-everything-side-by-side/