python - 使用 Scikit-learn 计算信息增益

Question

我正在使用 Scikit-learn 进行文本分类。我想针对(稀疏)文档术语矩阵中的一个类计算每个属性的信息增益。

• 信息增益定义为H(Class) - H(Class | Attribute) , 其中 H是熵。
• 在 weka 中，这将使用 InfoGainAttribute 进行计算.
• 但我在 scikit-learn 中没有找到这个度量。

(suggested 上面的信息增益公式与互信息的度量相同。这也符合 wikipedia 中的定义。是否可以在 scikit-learn 中对互信息使用特定设置来完成这项任务？)

Answer 1

你可以使用 scikit-learn 的 mutual_info_classif这是一个例子

from sklearn.datasets import fetch_20newsgroups
from sklearn.feature_selection import mutual_info_classif
from sklearn.feature_extraction.text import CountVectorizer

categories = ['talk.religion.misc',
              'comp.graphics', 'sci.space']
newsgroups_train = fetch_20newsgroups(subset='train',
                                      categories=categories)

X, Y = newsgroups_train.data, newsgroups_train.target
cv = CountVectorizer(max_df=0.95, min_df=2,
                                     max_features=10000,
                                     stop_words='english')
X_vec = cv.fit_transform(X)

res = dict(zip(cv.get_feature_names(),
               mutual_info_classif(X_vec, Y, discrete_features=True)
               ))
print(res)

这将输出每个属性的字典，即词汇表中的项目作为键，它们的信息增益作为值

这里是输出示例

{'bible': 0.072327479595571439,
 'christ': 0.057293733680219089,
 'christian': 0.12862867565281702,
 'christians': 0.068511328611810071,
 'file': 0.048056478042481157,
 'god': 0.12252523919766867,
 'gov': 0.053547274485785577,
 'graphics': 0.13044709565039875,
 'jesus': 0.09245436105573257,
 'launch': 0.059882179387444862,
 'moon': 0.064977781072557236,
 'morality': 0.050235104394123153,
 'nasa': 0.11146392824624819,
 'orbit': 0.087254803670582998,
 'people': 0.068118370234354936,
 'prb': 0.049176995204404481,
 'religion': 0.067695617096125316,
 'shuttle': 0.053440976618359261,
 'space': 0.20115901737978983,
 'thanks': 0.060202010019767334}