此问题和答案表明,使用scikit-learn的专用特征选择例程执行特征选择时,可以按如下方式检索所选特征的名称:
np.asarray(vectorizer.get_feature_names())[featureSelector.get_support()]
例如,在上面的代码中,featureSelector
可能是sklearn.feature_selection.SelectKBest
或的实例sklearn.feature_selection.SelectPercentile
,因为这些类实现了get_support
返回所选特征的布尔掩码或整数索引的方法.
当通过使用L1规范惩罚的线性模型执行特征选择时,不清楚如何实现这一点.sklearn.svm.LinearSVC
没有get_support
方法,文档没有说明如何在使用其transform
方法消除样本集合中的特征后检索特征索引.我在这里错过了什么吗?
对于稀疏估计器,通常可以通过检查系数向量中非零条目的位置来找到支持(假设系数向量存在,例如线性模型就是这种情况)
support = np.flatnonzero(estimator.coef_)
对于你LinearSVC
的l1罚款,它将相应地
from sklearn.svm import LinearSVC svc = LinearSVC(C=1., penalty='l1', dual=False) svc.fit(X, y) selected_feature_names = np.asarray(vectorizer.get_feature_names())[np.flatnonzero(svc.coef_)]