Numpy sklearn：在基于L1的特征选择后获取特征名称

证明当使用scikit learn的一个专用功能选择例程执行功能选择时，可以按如下方式检索所选功能的名称：

np.asarray(vectorizer.get_feature_names())[featureSelector.get_support()]

例如，在上述代码中，

featureSelector

可能是

sklearn.feature\u selection.SelectKBest

或

sklearn.feature\u selection.SelectPercentile

的一个实例，因为这些类实现了

get\u support

方法，该方法返回所选功能的布尔掩码或整数索引

---

当一个人表演时，不清楚如何做到这一点

sklearn.svm.LinearSVC

没有

get_support

方法，文档中没有明确说明在使用其

transform

方法从样本集合中消除特征后如何检索特征索引。我在这里遗漏了什么吗？

对于稀疏估计，您通常可以通过检查非零项在系数向量中的位置来找到支持度（前提是存在系数向量，例如线性模型）

对于带有l1惩罚的

LinearSVC

，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_)]

---

我一直在使用sklearn 15.2，根据，coef_是一个数组，如果n_类==2个其他[n_类，n_特征]，那么shape=[n_特征]。

---

所以首先，

np.flatnonzero

不适用于多类。您将有索引超出范围错误。其次，它应该是

np.where（svc.coef.=0）[1]

而不是

np.where（svc.coef.=0）[0]

。0是类的索引，而不是功能。最后我使用了

np.asarray（vectorizer.get\u feature\u names（））[list（set（np.where（svc.coef.=0）[1]）]

谢谢！我必须对您的回复进行一次编辑才能使其生效（添加了一个对numpy.flatnonzero的调用）。一旦编辑被接受，我会将你的答案标记为已接受（我不想同时混淆任何人）。谢谢。等效地，您可以使用

np.where（svc.coef!=0）[0]

而不是

np.flatnonzero

。（你的第二次编辑被拒绝了，所以我做了你建议的补充更正）是的，这在多类中变得很混乱。谢谢你的提醒。然后，提取正确索引的一般方法应该是

np。其中（svc.coef_！=0）[-1]

，即最后一个索引，它将适用于二进制和多类问题。

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_)]