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 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 形状为（54626 行，82343 维）

pred 的长度是 54626

我的问题是我想得到每个向量中概率最高的单词，这样我就可以通过单词了解它为什么预测为正类或负类。那么，如何得到每个向量中概率最高的词呢？

Answer 1

您可以使用coefs_ 或feature_log_prob_ 属性从拟合模型中获取每个单词的重要性。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]))

为您的每个班级打印前 10 个最具预测性的单词。

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]

Answer 3

我也遇到了同样的问题，也许这是数据科学交流论坛，但我想在这里发布，因为我取得了非常好的结果。

首先： + 代表正类， - 代表负类。 P() 代表概率。

我们将建立优势比，可以证明它等于 P(word i ,+) / P(word i ,-)（如果您需要演示，请告诉我）。 如果这个比值大于 1 意味着单词 i 更可能出现 在积极的文本中比在消极的文本中。

这些是朴素贝叶斯模型中的先验：

prob_pos = df_train['y'].value_counts()[0]/len(df_train)
prob_neg = df_train['y'].value_counts()[1]/len(df_train)

创建一个数据框来存储单词

df_nbf = pd.DataFrame()
df_nbf.index = count_vect.get_feature_names()
# Convert log probabilities to probabilities. 
df_nbf['pos'] = np.e**(nb.feature_log_prob_[0, :])
df_nbf['neg'] = np.e**(nb.feature_log_prob_[1, :])


df_nbf['odds_positive'] = (nb.feature_log_prob_[0, :])/(nb.feature_log_prob_[1, :])*(prob_nonneg/prob_neg)

df_nbf['odds_negative'] = (nb.feature_log_prob_[1, :])/(nb.feature_log_prob_[0, :])*(prob_neg/prob_nonneg)

最重要的词。这将使您获得> 1的比率。例如一个 odds_ratio_negative =2 对于“damn”这个词意味着这个词 相比之下，当评论或您的班级是否定的时候，发生的可能性是两倍 与你的积极类。

# Here are the top5 most important words of your positive class:
odds_pos_top5 = df_nbf.sort_values('odds_positive',ascending=False)['odds_positive'][:5]
# Here are the top5 most important words of your negative class:
odds_neg_top5 = df_nbf.sort_values('odds_negative',ascending=False)['odds_negative'][:5]

Answer 4

试试这个：

pred_proba = NB_optimal.predict_proba(X_test)
words = np.take(count_vect.get_feature_names(), pred_proba.argmax(axis=1))