Dear all,<br><br>I've another question about spatiotemporal analysis. In my dataset I have 6 runs per task with approximately a hundred volumes each task each run and running a classification on only 6 examples is very overfitting-oriented, how can I do to reduce the overfitting? I've tried with a leave 3 run out crossvalidation in order to have more testing runs and a very general model fitted only on 3 runs (I use SVM)? Are there some other strategies?<br>
<br>Thank you,<br>Roberto<br><br><div class="gmail_quote">On 19 July 2012 13:01, Roberto Guidotti <span dir="ltr"><<a href="mailto:robbenson18@gmail.com" target="_blank">robbenson18@gmail.com</a>></span> wrote:<br><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">
Dear all,<br><br>I'm working on spatiotemporal analysis of fMRI data, in this case the number of features increases drammatically and I want to perform a Feature Selection. <br>In the toolbox the Feature Selection of event related datasets is done watching the spatiotemporal features variation across condition or checking the single feature. I think it could be useful to select voxels that temporally varies across experiment.<br>

<br>It is possible to perform a sort of spatiotemporal feature selection, if not yet implemented? Or I'm asking a question theoretically wrong?<br><br>Thank you<span class="HOEnZb"><font color="#888888"><br>Roberto.<br>

</font></span></blockquote></div><br>