为了将您的模型减少到 7 个变量，您可以采取以下几种方法：

1. PCA（无监督）：这会创建数据的“新”线性组合，其中每个处理组件尽可能多地解释数据中的差异。因此，前 7 个组件（共 27 个）应该能够解释数据变化的很大一部分。然后，您可以将这七个组件插入您的逻辑回归方程。这里的缺点是，因为组件是原始变量的组合，所以您对回归模型失去了一些可解释性。然而，它应该产生非常好的准确性。同样的技术适用于其他降维方法，例如
2. 回归中的另一种常用方法是逐步向前，您从一个变量开始，每一步添加另一个变量，根据某些标准（通常是 BIC 或 AIC 分数）保留或删除。向后逐步回归是同样的事情，但是您从所有变量开始，然后根据某些标准再次删除一个。根据简短的搜索，python 似乎没有逐步回归，但它们执行了此数据科学帖子中描述的类似特征消除算法。
3. 套索回归使用$L_{1}$缩小特征系数的惩罚规范有效地消除了其中的一些。你可以包括这个$L_1$规范到您的逻辑回归模型中。似乎sklearn 的 LogisticRegression允许您分配所需的惩罚以实现此目的。注意：Lasso 不会将变量系数显式设置为零，但会缩小它们以允许您选择 7 个最大的系数。

正如@E_net4 评论的那样，您的持续问题在另一篇文章中得到解决。

你把“十法则”看得太认真了。这是一个非常粗略的经验法则。它不打算像您使用它一样使用。

听起来你在想：“我只有 70 个正例，所以根据 10 规则，我只能使用 7 个特征；我如何选择使用哪 7 个特征？”

这不是 10 法则的意思。这不是指定允许使用多少功能的规则。10 规则是描述性的，而不是规定性的，它是一个近似的指导方针：如果实例的数量远少于特征数量的 10 倍，那么过度拟合的风险尤其高，并且可能会得到糟糕的结果。

那你该怎么办？无论如何你都应该做你想做的事情：使用正则化，并使用交叉验证来选择正则化超参数。此外，重要的是要有一个保持测试集，在你完成分类器的所有内容之前不要碰它，以避免过度拟合和有偏差的准确度估计。

如果你能得到更多的数据，那真的很有帮助。

最后，由于你有不平衡的类，你可以考虑阅读关于类不平衡和处理它的方法。