在有或没有管道的情况下，如何在 k 折交叉验证后提取重要特征？

Question

我想构建一个使用交叉验证的分类器，然后从每个折叠中提取重要特征（/系数），以便我可以查看它们的稳定性。目前我正在使用 cross_validate 和管道。我想使用一个管道，这样我就可以在每个折叠中进行特征选择和标准化。我坚持如何从每个折叠中提取特征。如果这是问题所在，我有一个不同的选择来使用下面的管道。

这是我到目前为止的代码（我想尝试 SVM 和逻辑回归）。我已经包含了一个小的 df 作为例子：

from sklearn.preprocessing import StandardScaler
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import mutual_info_classif
from sklearn.model_selection import cross_validate
from sklearn.model_selection import KFold
from sklearn.pipeline import Pipeline
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
import pandas as pd

df = pd.DataFrame({'length': [5, 8, 0.2, 10, 25, 3.2], 
                   'width': [60, 102, 80.5, 30, 52, 81],
                   'group': [1, 0, 0, 0, 1, 1]})

array = df.values
y = array[:,2]
X = array[:,0:2]

select = SelectKBest(mutual_info_classif, k=2)
scl = StandardScaler()
svm = SVC(kernel='linear', probability=True, random_state=42)
logr = LogisticRegression(random_state=42)

pipeline = Pipeline([('select', select), ('scale', scl), ('svm', svm)])

split = KFold(n_splits=2, shuffle=True, random_state=42)

output = cross_validate(pipeline, X, y, cv=split, 
                scoring = ('accuracy', 'f1', 'roc_auc'),
                return_estimator = True,
                return_train_score= True)

我想我可以做类似的事情：

pipeline.named_steps['svm'].coef_

但我收到错误消息：

AttributeError: 'SVC' object has no attribute 'dual_coef_'

如果无法使用管道执行此操作，我可以使用 'by hand' 交叉验证来执行此操作吗？例如：

for train_index, test_index in kfold.split(X, y):

        kfoldtx = [X[i] for i in train_index]
        kfoldty = [y[i] for i in train_index]

但我不确定下一步该怎么做！任何帮助将不胜感激。

Answer 1

您应该使用 cross_validate 的 output 来获取拟合模型的参数。原因是 cross_validate 会克隆管道。因此，你不会发现给定的 pipeline 变量在被馈送到 cross_validate.

之后被拟合

output 是字典，它有 estimator 作为键之一，它的值是 k_fold 个匹配的 pipeline 对象。

来自 Documentation:

return_estimator : boolean, default False

Whether to return the estimators fitted on each split.

试试这个！

>>> fitted_svc = output['estimator'][0].named_steps['svm'] # choosing the first fold comb
>>> fitted_svc.coef_

array([[1.05826838, 0.41630046]])

在有或没有管道的情况下，如何在 k 折交叉验证后提取重要特征？

How to extract important features after k-fold cross validation, with or without a pipeline?

python-3.x

scikit-learn

cross-validation