Question

我正在使用sci-kit learn（版本0.11和Python版本2.7.3）从svmlight格式的二进制分类数据集中选择前K个特征。

我正在尝试识别所选要素的feature-id值。我认为这很简单 - 很可能！（通过feature-id，我指的是如here所述的特征值之前的数字）

以下代码说明了我一直在尝试这样做：

from sklearn.datasets import load_svmlight_file
from sklearn.feature_selection import SelectKBest

svmlight_format_train_file = 'contrived_svmlight_train_file.txt' #I present the contents of this file below

X_train_data, Y_train_data = load_svmlight_file(svmlight_format_train_file)

featureSelector = SelectKBest(score_func=chi2,k=2)

featureSelector.fit(X_train_data,Y_train_data)

assumed_to_be_the_feature_ids_of_the_top_k_features = list(featureSelector.get_support(indices=True)) #indices=False just gives me a list of True,False etc...

print assumed_to_be_the_feature_ids_of_the_top_k_features #this gives: [0, 2]

显然，assumed_to_be_the_feature_ids_of_the_top_k_features无法与feature-id值对应 - 因为（见下文）输入文件中的feature-id值从1开始。

现在，我怀疑assumed_to_be_the_feature_ids_of_the_top_k_features实际上可能对应于按值增加的顺序排序的feature-id值的列表索引。在我的情况下，索引0将对应feature-id=1等 - 这样代码就会告诉我feature-id=1和feature-id=3已被选中。

但是，如果有人能够确认或否认这一点，我将不胜感激。

提前致谢。

contrived_svmlight_train_file.txt 的内容：

1 1:1.000000 2:1.000000 4:1.000000 6:1.000000#mA
1 1:1.000000 2:1.000000#mB
0 5:1.000000#mC
1 1:1.000000 2:1.000000#mD
0 3:1.000000 4:1.000000#mE
0 3:1.000000#mF
0 2:1.000000 4:1.000000 5:1.000000 6:1.000000#mG
0 2:1.000000#mH

P.S。抱歉没有正确格式化（第一次在这里）;我希望这是清晰可辨的！

Answer 1

显然，assumed_to_be_the_feature_ids_of_the_top_k_features无法与feature-id值对应 - 因为（见下文）输入文件中的feature-id值从1开始。

实际上，他们是。 SVMlight格式加载器将检测您的输入文件是否具有基于索引的索引，并将从每个索引中减去一个索引，以免浪费列。如果这不是你想要的，那么将zero_based=True传递给load_svmlight_file，假装它实际上是从零开始的，并插入一个额外的列;有关详细信息，请参阅its documentation。

sci-kit learn：使用SelectKBest时识别相应的feature-id值

1 个答案: