![](/img/trans.png)
[英]The most import features for a SVM text classification with Python and scikit-learn
[英]Find the most import features for a SVM classification
我正在使用python
和流行的scikit-learn
模块的SVM
类训练一个二元分类器。 训练后,我使用predict
方法进行分类,如sci-kit 的 SVC 文档中所述。
我想更多地了解我的样本特征对训练有素的decision_function
(支持向量)所做的分类结果的重要性。 欢迎使用任何在使用此类模型进行预测时评估特征重要性的策略。
谢谢! 安德烈
那么,我们如何解释给定样本分类的特征显着性?
我认为使用线性内核是首先解决这个问题的最直接的方法,因为训练模型的svc.coef_
属性的重要性/相对简单性。 查看 Bitwise 的答案。
下面我将使用scikit
训练数据训练一个线性核 SVM。 然后我们将查看coef_
属性。 我将包括一个简单的图,显示分类器系数和训练特征数据的点积如何划分结果类。
from sklearn import svm
from sklearn.datasets import load_breast_cancer
import numpy as np
import matplotlib.pyplot as plt
data = load_breast_cancer()
X = data.data # training features
y = data.target # training labels
lin_clf = svm.SVC(kernel='linear')
lin_clf.fit(X,y)
scores = np.dot(X, lin_clf.coef_.T)
b0 = y==0 # boolean or "mask" index arrays
b1 = y==1
malignant_scores = scores[b1]
benign_scores = scores[b1]
fig = plt.figure()
fig.suptitle("score breakdown by classification", fontsize=14, fontweight='bold')
score_box_plt = ply.boxplot(
[malignant_scores, benign_scores],
notch=True,
labels=list(data.target_names),
vert=False
)
plt.show(score_box_plt)
如您所见,我们似乎确实访问了适当的截距和系数值。 我们的决策边界徘徊在 0 左右,班级分数明显分离。
现在我们有了一个基于线性系数的评分系统,我们可以轻松地研究每个特征如何对最终分类做出贡献。 在这里,我们显示每个特征对样本最终得分的影响。
## sample we're using X[2] --> classified benign, lin_clf score~(-20)
lin_clf.predict(X[2].reshape(1,30))
contributions = np.multiply(X[2], lin_clf.coef_.reshape((30,)))
feature_number = np.arange(len(contributions)) +1
plt.bar(feature_number, contributions, align='center')
plt.xlabel('feature index')
plt.ylabel('score contribution')
plt.title('contribution to classification outcome by feature index')
plt.show(feature_contrib_bar)
我们也可以简单地对相同的数据进行排序,以获得给定分类的特征贡献排名列表,以查看哪个特征对我们正在评估的score
贡献最大。
abs_contributions = np.flip(np.sort(np.absolute(contributions)), axis=0)
feat_and_contrib = []
for contrib in abs_contributions:
if contrib not in contributions:
contrib = -contrib
feat = np.where(contributions == contrib)
feat_and_contrib.append((feat[0][0], contrib))
else:
feat = np.where(contributions == contrib)
feat_and_contrib.append((feat[0][0], contrib))
# sorted by max abs value. each row a tuple:;(feature index, contrib)
feat_and_contrib
从该排名列表中,我们可以看到对最终得分做出贡献的前五个特征指数(大约 -20 以及分类“良性”)是[0, 22, 13, 2, 21]
,它们对应于特征名称在我们的数据集中; ['mean radius', 'worst perimeter', 'area error', 'mean perimeter', 'worst texture']
。
假设您有词袋特征化,并且您想知道哪些词对分类很重要,然后将此代码用于线性 svm
weights = np.abs(lr_svm.coef_[0])
sorted_index = np.argsort(wt)[::-1]
top_10 = sorted_index[:10]
terms = text_vectorizer.get_feature_names()
for ind in top_10:
print(terms[ind])
您可以在 sklearn 中使用SelectFromModel来获取模型中最相关特征的名称。 这是为 LassoCV 提取特征的示例。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.