SkLearn 多项式 NB：信息量最大的特征答案

【问题标题】：SkLearn Multinomial NB: Most Informative FeaturesSkLearn 多项式 NB：信息量最大的特征
【发布时间】：2015-07-04 05:33:00
【问题描述】：

由于我的分类器在测试数据上产生了大约 99% 的准确率，我有点怀疑，并想深入了解我的 NB 分类器中信息量最大的特征，看看它正在学习什么样的特征。以下主题非常有用：How to get most informative features for scikit-learn classifiers?

至于我的特征输入，我还在玩，目前我正在使用 CountVectorizer 测试一个简单的一元模型：

 vectorizer = CountVectorizer(ngram_range=(1, 1), min_df=2, stop_words='english')

关于上述主题，我发现了以下功能：

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)

结果如下：

    -16.2420        114th                   -4.0020 said           
    -16.2420        115                     -4.6937 obama          
    -16.2420        136                     -4.8614 house          
    -16.2420        14th                    -5.0194 president      
    -16.2420        15th                    -5.1236 state          
    -16.2420        1600                    -5.1370 senate         
    -16.2420        16th                    -5.3868 new            
    -16.2420        1920                    -5.4004 republicans    
    -16.2420        1961                    -5.4262 republican     
    -16.2420        1981                    -5.5637 democrats      
    -16.2420        19th                    -5.6182 congress       
    -16.2420        1st                     -5.7314 committee      
    -16.2420        31st                    -5.7732 white          
    -16.2420        3rd                     -5.8227 security       
    -16.2420        4th                     -5.8256 states         
    -16.2420        5s                      -5.8530 year           
    -16.2420        61                      -5.9099 government     
    -16.2420        900                     -5.9464 time           
    -16.2420        911                     -5.9984 department     
    -16.2420        97                      -6.0273 gop

它有效，但我想知道这个函数做了什么来解释结果。大多数情况下，我对“coef_”属性的作用感到困惑。

我知道左侧是系数最低的前 20 个特征名称，右侧是系数最高的特征名称。但是这究竟是如何工作的，我如何解释这个概述？这是否意味着左侧包含负类信息最多的特征，而右侧包含正类信息最多的特征？

另外，在左侧看起来好像功能名称是按字母顺序排序的，这样对吗？

【问题讨论】：

标签： python machine-learning scikit-learn classification text-classification

【解决方案1】：

MultinomialNB 的 coef_ 属性是将朴素贝叶斯模型重新参数化为线性分类器模型。对于二元分类问题，这基本上是给定正类的特征估计概率的对数。这意味着更高的值意味着对正类更重要的特征。

上面的打印在第一列中显示了前 20 个最低值（预测性较低的特征），在第二列中显示了前 20 个高值（最高预测性特征）。

【讨论】：

谢谢！这就说得通了。虽然现在我想知道如何获得另一个类（负类）的最重要特征？
np.array_equal(clf.coef_[0], clf.feature_log_prob_[1]) 返回True 因此我假设clf.feature_log_prob_[1]) 给出了负类的特征系数。
我有两个类：array([0, 1])。当我调用 coef_[0] 时，它会给我正类 (1) 还是负类 (0) 的系数？

【解决方案2】：

coef_ 属性中显示的数字是概率的日志。对于每个预测特征，所有这些概率的总和将等于 1，并且coef_ 属性的长度等于预测特征的数量。要自己检查，您可以使用此列表推导：

sum([np.exp(1)**x for x in clf.coef_[0]])  # The sum of probabilities == 1

另外，为了回答@LN_P 的评论，.classes_ 属性将显示您查看coef_ 数组时引用的特征的顺序。

这是我遇到的类似帖子： How to calculate feature_log_prob_ in the naive_bayes MultinomialNB

【讨论】：