高维数据分析已成为在许许多多科学领域广受关注的热点,包括基因组学、经济学以及健康科学等等。例如,随着基因组学的进步,通过微阵列技术,可以同时获得成千上万个基因表达数据,然而可供研究的样本个数由于时间和资金的限制,一般只有几百个,这种数据结构被称为小-n-大-p的结构。多元逻辑回归,又叫做多类别逻辑回归,是一种多类别分类学习方法,能够同时预测所观测到的数据点属于多个类别的概率。一个常见的理论假设是稀疏性假设,也即是说,在搜集到的大量特征中,只有一小部分真正对预测起作用,这个假设在现实生活中也能找到经验支持。有了稀疏性假设,正则化方法不仅可以提高统计精确度,还可以增加模型的可解释性,以及减小计算复杂度。Group lasso是lasso的一种推广形式。稀疏group lasso(SGL)将lasso和group lasso结合起来,因此能得到组内组间都稀疏的解。但是,多元逻辑回归中的lasso类算法需要提供理论上找到最优特征子集的支持。因此,本文提出,结合EBIC准则对多元逻辑回归模型进行模型选择。并且还证明了模型选择的一致性。最后,通过数值模拟来评估所提出方法的效果。并且还在亚马逊评论作者分类数据集上进行实例分析,以展示模型的表现。