Как получить наиболее информативные функции для классификаторов scikit-learn?

Ответ 1

С помощью кода larsmans я придумал этот код для двоичного случая:

def show_most_informative_features(vectorizer, clf, n=20):
    feature_names = vectorizer.get_feature_names()
    coefs_with_fns = sorted(zip(clf.coef_[0], feature_names))
    top = zip(coefs_with_fns[:n], coefs_with_fns[:-(n + 1):-1])
    for (coef_1, fn_1), (coef_2, fn_2) in top:
        print "\t%.4f\t%-15s\t\t%.4f\t%-15s" % (coef_1, fn_1, coef_2, fn_2)

Ответ 2

Классификаторы сами не записывают имена функций, они просто видят числовые массивы. Однако, если вы извлекли свои функции с помощью Vectorizer/CountVectorizer/TfidfVectorizer/DictVectorizer, и вы используете линейную модель (например, LinearSVC или Naive Bayes), вы можете применить тот же трюк, что пример классификации документов. Пример (непроверенный, может содержать ошибку или два):

def print_top10(vectorizer, clf, class_labels):
    """Prints features with the highest coefficient values, per class"""
    feature_names = vectorizer.get_feature_names()
    for i, class_label in enumerate(class_labels):
        top10 = np.argsort(clf.coef_[i])[-10:]
        print("%s: %s" % (class_label,
              " ".join(feature_names[j] for j in top10)))

Это для классификации многоклассов; для двоичного случая, я думаю, вы должны использовать только clf.coef_[0]. Возможно, вам придется отсортировать class_labels.

Ответ 3

Чтобы добавить обновление, RandomForestClassifier теперь поддерживает атрибут .feature_importances_. Этот атрибут показывает вам, какая часть наблюдаемой дисперсии объясняется этой функцией. Очевидно, что сумма всех этих значений должна быть равна <= 1.

Я считаю, что этот атрибут очень полезен при разработке функций.

Спасибо команде scikit-learn и вкладчикам за ее реализацию!

edit: Это работает как для RandomForest, так и для GradientBoosting. Таким образом, RandomForestClassifier, RandomForestRegressor, GradientBoostingClassifier и GradientBoostingRegressor поддерживают это.

Ответ 4

Недавно мы выпустили библиотеку (https://github.com/TeamHG-Memex/eli5), которая позволяет это сделать: она обрабатывает классификаторы variuos из scikit-learn, двоичного /multiclass, позволяет выделять текст в соответствии со значениями функций, интегрируется с IPython и т.д.

Ответ 5

Мне действительно пришлось выяснить важность функций в моем классификаторе NaiveBayes, и хотя я использовал вышеупомянутые функции, я не смог получить важность функций на основе классов. Я просмотрел документацию по scikit-learn и немного подправил вышеуказанные функции, чтобы убедиться, что она работает для моей проблемы. Надеюсь, это вам тоже поможет!

def important_features(vectorizer,classifier,n=20):
    class_labels = classifier.classes_
    feature_names =vectorizer.get_feature_names()

    topn_class1 = sorted(zip(classifier.feature_count_[0], feature_names),reverse=True)[:n]
    topn_class2 = sorted(zip(classifier.feature_count_[1], feature_names),reverse=True)[:n]

    print("Important words in negative reviews")

    for coef, feat in topn_class1:
        print(class_labels[0], coef, feat)

    print("-----------------------------------------")
    print("Important words in positive reviews")

    for coef, feat in topn_class2:
        print(class_labels[1], coef, feat)

Обратите внимание, что ваш классификатор (в моем случае это NaiveBayes) должен иметь атрибут feature_count_, чтобы это работало.

Ответ 6

Вы также можете сделать что-то подобное, чтобы создать график важных функций по порядку:

importances = clf.feature_importances_
std = np.std([tree.feature_importances_ for tree in clf.estimators_],
         axis=0)
indices = np.argsort(importances)[::-1]

# Print the feature ranking
#print("Feature ranking:")


# Plot the feature importances of the forest
plt.figure()
plt.title("Feature importances")
plt.bar(range(train[features].shape[1]), importances[indices],
   color="r", yerr=std[indices], align="center")
plt.xticks(range(train[features].shape[1]), indices)
plt.xlim([-1, train[features].shape[1]])
plt.show()

Ответ 7

RandomForestClassifier пока не имеет атрибута coef_, но, по-моему, он будет в выпуске 0,17. Тем не менее, см. Класс RandomForestClassifierWithCoef в Рекурсивная функция исключения в Random Forest с использованием scikit-learn. Это может дать вам некоторые идеи для решения вышеописанных ограничений.

Ответ 8

Не совсем то, что вы ищете, но быстрый способ получить коэффициенты наибольшей величины (предполагая, что столбцы pandas dataframe - ваши имена объектов):

Вы тренировали модель как:

lr = LinearRegression()
X_train, X_test, y_train, y_test = train_test_split(df, Y, test_size=0.25)
lr.fit(X_train, y_train)

Получите 10 самых больших отрицательных значений коэффициента (или измените на обратный = True для наибольшего положительного значения), например:

sorted(list(zip(feature_df.columns, lr.coef_)), key=lambda x: x[1], 
reverse=False)[:10]