我有一个二进制分类问题，对于每个数据点，我有以下3个时间序列。

data_point,time_series1,time_series2,time_series3,label
d1,[0.1,.....,0.5],[0.8,0.6],0.8],1
and so on

我正在使用以下代码执行我的二进制分类。

model = Sequential()
model.add(LSTM(100,input_shape=(25,4)))
model.add(Dense(50))
model.add(Dense(1,activation='sigmoid'))
model.compile(loss='binary_crossentropy',optimizer='adam',metrics=['accuracy'])

因为，目前我正在考虑将其归类为黑匣子任务，所以我想更深入地研究一下内部发生的事情。

更具体地说，我想知道LSTM用于对我的数据点进行分类的重要功能。更重要的是，我想回答以下问题；

• 哪个时间序列（即time_series1，time_series2， time_series3）在分类中的影响最大
• 从受影响最大的时间序列中提取的特征是什么？

很高兴在需要时提供更多详细信息。