trovare caratteristiche importanti per la classificazione

Question

Sto provando a classificare alcuni dati EEG usando un modello di regressione logistica (questo sembra dare la migliore classificazione dei miei dati). I dati che ho provengono da un setup EEG multicanale quindi in sostanza ho una matrice di 63 x 116 x 50 (cioè canali x punti di tempo x numero di prove (ci sono due tipi di prova di 50), l'ho rimodellato ad un vettore lungo, uno per ogni prova

Quello che vorrei fare è dopo la classificazione per vedere quali caratteristiche sono state più utili nella classificazione delle prove. Come posso farlo ed è possibile testarne l'importanza caratteristiche, ad esempio per dire che la classificazione era principalmente basata su N-features e queste sono caratteristiche da X a Z. Quindi potrei dire che il canale 10 al punto temporale 90-95 è stato significativo o importante per la classificazione

Quindi è possibile o sto facendo la domanda sbagliata?

tutti i commenti o riferimenti cartacei sono molto apprezzati.

Answer 1

scikit-learn include alcuni metodi abbastanza per classifica caratteristica, tra i quali:

• univariata funzione di selezione (http://scikit-learn.org/stable/auto_examples/feature_selection/plot_feature_selection.html)
• ricorsivo funzione eliminazione (http://scikit-learn.org/stable/auto_examples/feature_selection/plot_rfe_digits.html)
• randomizzato di regressione logistica/selezione della stabilità (http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.RandomizedLogisticRegression.html)

(vedere di più al http://scikit-learn.org/stable/modules/feature_selection.html)

Tra questi, consiglio vivamente di dare uno scatto alla regressione logistica randomizzata. Nella mia esperienza, supera costantemente gli altri metodi ed è molto stabile. Paper su questo: http://arxiv.org/pdf/0809.2932v2.pdf

Edit: Ho scritto una serie di post di blog sui diversi metodi di selezione funzione ed i loro pro e contro, che sono probabilmente utile per rispondere a questa domanda in modo più dettagliato:

• 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/