如何获取朴素贝叶斯中的特征重要性？

Question

我有一个评论数据集，其类别标签为正面/负面。我正在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)

我将数据分为训练数据集和测试数据集。

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 的长度为 54626

我的问题是我想获取每个向量中概率最高的单词，以便我可以通过单词了解为什么它预测为正类或负类。那么，如何得到每个向量中概率最大的单词呢？

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]))

打印每个班级最有预测性的 10 个单词。

Answer 2

我也遇到了同样的麻烦，也许这是为了数据科学交流论坛，但我想把它发布在这里，因为我取得了很好的结果。

第一：

• 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(单词 i ,+) / P(单词 i ,-) （如果您需要演示，请告诉我）。 如果这个比率大于1就意味着单词i更有可能出现 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：

# remember normalize=True outputs proportion 
prob_pos = df_train['y'].value_counts(normalize=True)[0]
prob_neg = df_train['y'].value_counts(normalize=True)[1]

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'] = (df_nbf['pos']/df_nbf['neg'])*(prob_pos /prob_neg)

df_nbf['odds_negative'] = (df_nbf['neg']/df_nbf['pos'])*(prob_neg/prob_pos )

最重要的话。这将使您的比率 >1。例如一个 odds_ratio_negative =2 对于单词“damn”意味着这个词 相比之下，当评论或你的班级是否定的时候，发生这种情况的可能性是负面的两倍 带着你积极的课堂。

# 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 3

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 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))