如何在朴素贝叶斯中获得特征重要性？

Question

我有一个评论数据集，其类别标签为正面/负面。我正在将朴素贝叶斯应用于该评论数据集。首先，我正在转换成词袋。这里 sorted_data[‘Text’] 是评论， final_counts 是一个稀疏矩阵

count_vect = CountVectorizer()
final_counts = count_vect.fit_transform(sorted_data['Text'].values)

我将数据拆分为训练和测试数据集。

 X_1, X_test, y_1, y_test = cross_validation.train_test_split(final_counts, labels, test_size=0.3, random_state=0)

我正在应用朴素贝叶斯算法如下

optimal_alpha = 1
NB_optimal = BernoulliNB(alpha=optimal_aplha)

# fitting the model
NB_optimal.fit(X_tr, y_tr)

# predict the response
pred = NB_optimal.predict(X_test)

# evaluate accuracy
acc = accuracy_score(y_test, pred) * 100
print('\nThe accuracy of the NB classifier for k = %d is %f%%' % (optimal_aplha, acc))

这里的 X_test 是测试数据集，其中 pred 变量告诉我们 X_test 中的向量是正类还是负类。

X_test 形状是（54626 行，82343 维）

pred 的长度是 54626

我的问题是我想在每个向量中获得概率最高的词，这样我就可以通过这些词来了解为什么它预测为正类或负类。那么，如何得到每个向量中概率最大的词呢？

原文由 merkle 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

您可以使用 coefs_ 或 feature_log_prob_ 属性从拟合模型中获取每个词的重要性。例如

neg_class_prob_sorted = NB_optimal.feature_log_prob_[0, :].argsort()[::-1]
pos_class_prob_sorted = NB_optimal.feature_log_prob_[1, :].argsort()[::-1]

print(np.take(count_vect.get_feature_names(), neg_class_prob_sorted[:10]))
print(np.take(count_vect.get_feature_names(), pos_class_prob_sorted[:10]))

打印每个班级的前 10 个最具预测性的单词。

原文由 piman314 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 2

def get_salient_words(nb_clf, vect, class_ind):
    """Return salient words for given class
    Parameters
    ----------
    nb_clf : a Naive Bayes classifier (e.g. MultinomialNB, BernoulliNB)
    vect : CountVectorizer
    class_ind : int
    Returns
    -------
    list
        a sorted list of (word, log prob) sorted by log probability in descending order.
    """

    words = vect.get_feature_names()
    zipped = list(zip(words, nb_clf.feature_log_prob_[class_ind]))
    sorted_zip = sorted(zipped, key=lambda t: t[1], reverse=True)

    return sorted_zip

neg_salient_top_20 = get_salient_words(NB_optimal, count_vect, 0)[:20]
pos_salient_top_20 = get_salient_words(NB_optimal, count_vect, 1)[:20]

原文由 dimid 发布，翻译遵循 CC BY-SA 4.0 许可协议