作者：kervin

編輯：阿吉

?? ? ? ?目前，機器學習在腦科學領域的應用可謂廣泛而深入，不論你是做EEG/ERP研究，還是做MRI研究，都會看到機器學習的身影。機器學習最簡單或者最常用的一個應用方向是分類，如疾病的分類。對于有監督機器學習(如我們常用的SVM)來說，首先需要提取特征值，特征值作為機器學習的輸入進行訓練，得到模型。但是，在實際的例子中，不太可能把提取到的所有特征值輸入到機器學習模型中進行訓練，這是因為過多維度的特征值往往會包括冗余成分，這不僅會大大降低學習速度，而且還會產生過擬合現象，進而影響機器學習模型的性能。最典型的列子是我們做MRI研究，可能會提取到上萬個特征值。因此，我們需要首先對提取到的特征值進行特征選擇，去除冗余特征，即所謂的特征降維。? ? ? ?目前，特征降維的方法很多，筆者這里就不一一列舉(可自行度娘)，而F-score是其中比較簡單和有效的方法，也是很常用的一種方法。今天，筆者在這里就詳細講解一下F-score如何計算，并給出Matlab程序。? ? ? ?第i個特征的F-score的計算公式如下所示：

? ? ? ?其中，表示第i個特征中正類特征值的平均值，表示第i個特征中負類特征值的平均值，表示第i個特征所有特征值的平均值，n+表示第i個特征中正類特征值的個數，n-表示第i個特征中負類特征值的個數，表示正類特征值中第k個特征值，表示負類特征值中第k個特征值。? ?對于F-score需要說明一下幾點：1.一般來說，特征的F-score越大，這個特征用于分類的價值就越大；2.在機器學習的實際應用中，一般的做法是，先計算出所有維度特征的F-score，然后選擇F-score最大的N個特征輸入到機器學習的模型中進行訓練；而這個N到底取多少合適，需要你自己進行嘗試；3.F-score只適用于二分類，對于多分類的應用，可以考慮采用其他的特征選擇方法；4.F-score與SVM相結合，可以達到較好的分類效果；關于SVM，大家可以參考我們公眾號之前推送的文章《支持向量機SVM工具包LIBSVM的安裝和測試》。? ? ? ?按照上述的F-score的計算公式，我們可以用Matlab進行編程。筆者按此已經編寫好F-score函數，并進行了測試，需要下載程序的朋友，煩請先轉發本文到朋友圈，然后截圖到微信公眾號后臺，管理員會盡快把下載鏈接發送給您，謝謝!我們的業務第一屆腦電數據分析技術實戰班EEG/ERP數據處理服務推薦閱讀支持向量機SVM工具包LIBSVM的安裝和測試腦科學研究中常用的數據歸一化方法(附Matlab程序)聊一聊置換檢驗Permutation test的原理關注我們