Python 2.7 Python-带朴素贝叶斯的SelectFromModel

在文本分类任务中，我将与用于特征选择的组合使用

SelectFromModel(estimator=MultinomialNB(alpha=1.0))

SelectFromModel通过计算确定要素的重要性：

importances = np.linalg.norm(estimator.coef_, axis=0,ord=norm_order)

但这不正是我想要的相反吗，因为频率高的特性会导致绝对值低吗

已经有多个问题得到了很好的回答，用于确定给定特定类别的功能的重要性，但一般来说不用于功能的重要性

---

是否有一种方法可以通过SelectFromModel结合NB来确定特征重要性，或者其他方法更适合此任务？

有一种称为交叉验证递归特征消除的功能，也称为。它试图根据特征的重要性对特征进行递归排序，并在指定估计器的情况下进行交叉验证，以获得最佳数量的特征。有关更多信息，请参阅

---

我不知道为什么selectFromModel不能与NaiveBayes一起工作。如果我发现任何与此相关的内容，我将更新此答案。同时，您可以检查RFECV是否符合您的需要。

有一个称为交叉验证递归特征消除的函数，也称为。它试图根据特征的重要性对特征进行递归排序，并在指定估计器的情况下进行交叉验证，以获得最佳数量的特征。有关更多信息，请参阅

---

我不知道为什么selectFromModel不能与NaiveBayes一起工作。如果我发现任何与此相关的内容，我将更新此答案。同时，您可以检查RFECV是否适合您的需要。

请详细说明。你所说的“高频特征”是什么意思？此外，这是一项分类任务，因此很明显，特征重要性将根据类别而定。你能详细解释一下你想要什么吗？我指的是具有高术语频率的功能（在文档中），例如使用CountVectorizer。SelectFromModel基本上决定了分类任务中每个特征的重要性，并选择了“最重要的特征”，这些特征应该适用于SVC等精细分类器，但正如我试图解释的，它似乎不适用于NB。请详细说明一下。你所说的“高频特征”是什么意思？此外，这是一项分类任务，因此很明显，特征重要性将根据类别而定。你能详细解释一下你想要什么吗？我指的是具有高术语频率的功能（在文档中），例如使用CountVectorizer。SelectFromModel基本上决定了分类任务中每个特征的重要性，并选择了“最重要的特征”，这些特征应该可以很好地用于SVC之类的分类器，但正如我试图解释的，它似乎不适用于NB。