如何在 scikit-learn 中提取 MultinomialNB Pipeline 训练模型中的单词特征？

Posted 2023-03-12

【中文标题】如何在 scikit-learn 中提取 MultinomialNB Pipeline 训练模型中的单词特征？

【英文标题】：How to extract the word features in trained model of MultinomialNB Pipeline in scikit-learn?

【发布时间】：2016-03-16 09:52:54

【问题描述】：

# Note: The runnable code example is at the end of this question ####
# Assume X_train contains cleaned sentence text as input data. Y_train are class labels. 
# parameters stores the parameter to be tried by GridSearchCV

text_clf_Pipline_MultinomialNB = Pipeline([('vect', CountVectorizer()),
                                           ('tfidf', TfidfTransformer()),
                                           ('clf', MultinomialNB()),                     
                                          ])
gs_clf = GridSearchCV(text_clf_Pipline_MultinomialNB, parameters, n_jobs=-1)   
gs_classifier = gs_clf.fit(X_train, y_train)

现在我可以从基于sklearn.naive_bayes.MultinomialNB documentation 的 gs_classifier 中获取 feature_log_prob_。这是一个例子。

我的问题是如何得到单词对应每个对数的概率？ CountVectorizer() 和 TfidfTransformer() 都进行了特征选择。 GridSearchCV 对象在哪里存储选定的单词/ngram 特征？如何将它们匹配回概率？

我检查了 gs_classifier 的成员，但没有找到选定的功能。谢谢。

下面是一个可运行的例子：

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.grid_search import GridSearchCV
from sklearn.pipeline import Pipeline
from sklearn.naive_bayes import MultinomialNB
from inspect import getmembers

X_train = ['qwe rtyuiop', 'asd fghj kl', 'zx cv bnm', 'qw erty ui op', 'as df ghj kl', 'zxc vb nm', 'qwe rt yu iop', 'asdfg hj kl', 'zx cvb nm',
          'qwe rt yui op', 'asd fghj kl', 'zx cvb nm', 'qwer tyui op', 'asd fg hjk l', 'zx cv b nm', 'qw ert yu iop', 'as df gh jkl', 'zx cvb nm',
           'qwe rty uiop', 'asd fghj kl', 'zx cvbnm', 'qw erty ui op', 'as df ghj kl', 'zxc vb nm', 'qwe rtyu iop', 'as dfg hj kl', 'zx cvb nm',
          'qwe rt yui op', 'asd fg hj kl', 'zx cvb nm', 'qwer tyuiop', 'asd fghjk l', 'zx cv b nm', 'qw ert yu iop', 'as df gh jkl', 'zx cvb nm']    

y_train = ['1', '2', '3', '1', '1', '3', '1', '2', '3',
          '1', '2', '3', '1', '4', '1', '2', '2', '4', 
          '1', '2', '3', '1', '1', '3', '1', '2', '3',
          '1', '2', '3', '1', '4', '1', '2', '2', '4']    


parameters =   
                'clf__alpha': (1e-1, 1e-2),
                 'vect__ngram_range': [(1,2),(1,3)],
                 'vect__max_df': (0.9, 0.98)
            

text_clf_Pipline_MultinomialNB = Pipeline([('vect', CountVectorizer()),
                                           ('tfidf', TfidfTransformer()),
                                           ('clf', MultinomialNB()),                     
                                          ])
gs_clf = GridSearchCV(text_clf_Pipline_MultinomialNB, parameters, n_jobs=-1)   

gs_classifier = gs_clf.fit(X_train, y_train)

nbclf = getmembers(gs_classifier.best_estimator_)[2][1]['named_steps']['clf']
nbclf.feature_log_prob_ 

那么问题是：我怎样才能得到训练模型中的单词特征列表对应于对数概率？此外，例如，_log_prob_ 输出中的哪个概率对应于“1”类的单词“qwe”？

---

得到答案后编辑： 安德烈亚斯的回答有效：

gs_classifier.best_estimator_.named_steps['vect'].get_feature_names() 

与此类似，还有一种更好的方法可以索引到 GridSearchCV 以获得经过训练的分类器

nbclf = gs_classifier.best_estimator_.named_steps['clf']

【参考方案1】：

为什么需要getmembers？ 获取feature_log_prob_对应的特征名称：

gs_classifier.best_estimator_.named_steps['vect'].get_feature_names()

【讨论】：

谢谢！您的回答不仅解决了我的问题，还为我提供了一种优雅/正确的方式来索引 GridSearchCV。