如何使用 SVM 的权重向量和逻辑回归进行特征重要性？答案

【问题标题】：How to use Weight vector of SVM and logistic regression for feature importance?如何使用 SVM 的权重向量和逻辑回归进行特征重要性？
【发布时间】：2015-10-10 22:07:33
【问题描述】：

我已经在我的数据集上训练了一个 SVM 和逻辑回归分类器。两个分类器都提供了一个权重向量，其大小与特征数量相同。我可以使用这个权重向量来选择 10 个最重要的特征，只需选择权重最高的 10 个特征。

我应该使用权重的绝对值，即选择绝对值最高的 10 个特征吗？

其次，这仅适用于具有线性内核的 SVM，但不适用于我读过的 RBF 内核。对于非线性内核，权重在某种程度上不再是线性的。在非线性核SVM的情况下，权重向量不能用于确定特征重要性的确切原因是什么？

【问题讨论】：

标签： machine-learning svm logistic-regression

【解决方案1】：

正如我对similar question的回答，任何linear classifier的权重向量都表示特征重要性：因为最终值是特征值以权重为系数的线性组合，所以权重越大，对最终值的影响越大是由相应的summand引起的。

因此，对于线性分类器，您可以获取具有最大权重的特征（而不是特征本身的最大值，或者权重和特征值的最大乘积）。

这也解释了为什么带有像 RBF 这样的非线性核的 SVM 没有这样的属性：特征值和权重都被转换到另一个空间，不能说权重越大影响越大，见@ 987654323@.

如果您需要为非线性 SVM 选择最重要的特征，请使用 feature selection 的特殊方法，即 wrapper methods。

【讨论】：