如果对权重向量使用 l-1 惩罚，它会自动选择特征，因为与不相关属性对应的权重会自动设置为零。见这篇论文。每个非零权重的（绝对）大小可以给出关于相应属性重要性的想法。

另请参阅这篇论文，该论文使用从 SVM 派生的标准来指导属性选择。

Isabelle Guyon，André Elisseeff，“变量和特征选择简介”，JMLR，3（三月）：1157-1182，2003。http: //jmlr.csail.mit.edu/papers/v3/guyon03a.html

非常值得一读，它将很好地概述方法和问题。我要补充的一件事是特征选择不一定会提高预测性能，并且很容易使其变得更糟（因为很容易过度拟合特征选择标准）。（尤其是线性）SVM 的优点之一是它们可以很好地处理大量特征（前提是您正确调整正则化参数），因此如果您只对预测感兴趣，通常不需要。

如果使用 R，则可以使用 rminer 包中的 Importance 方法计算变量重要性。这是我的示例代码：

library(rminer)
M <- fit(y~., data=train, model="svm", kpar=list(sigma=0.10), C=2)
svm.imp <- Importance(M, data=train)

详细参考以下链接https://cran.r-project.org/web/packages/rminer/rminer.pdf