【发布时间】：2018-02-24 12:02:20
【问题描述】：
我在文本分类任务中使用SelectFromModel 和MultinomialNB 进行特征选择。
SelectFromModel(estimator=MultinomialNB(alpha=1.0))
SelectFromModel 通过计算确定特征的重要性：
importances = np.linalg.norm(estimator.coef_, axis=0,ord=norm_order)
但这不是和我想要的完全相反吗，因为高频率的特征会导致低绝对值？
对于确定给定特定类别的特征的重要性，已经有多个得到很好回答的问题，但对于一般特征重要性而言，则不是。
有没有办法通过 SelectFromModel 结合 NB 来确定特征重要性，还是其他方法更适合这项任务？
【问题讨论】：
-
请详细说明一下。您所说的“高频饮食”是什么意思？此外，这是一项分类任务，因此显然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？
-
我指的是具有高词频的特征（在文档中），例如使用 CountVectorizer。 SelectFromModel 基本上确定了分类任务中每个特征的重要性，并选择应该适用于 SVC 等分类器的“最重要特征”，但正如我试图解释的那样，它似乎不适用于 NB。
标签： python-2.7 machine-learning scikit-learn naivebayes