numpy - sklearn : get feature names after L1-based feature selection

Question

This question and answer演示当使用 scikit-learn 的专用特征选择例程之一执行特征选择时，可以按如下方式检索所选特征的名称:

np.asarray(vectorizer.get_feature_names())[featureSelector.get_support()]

例如，在上面的代码中，featureSelector可能是sklearn.feature_selection.SelectKBest或sklearn.feature_selection.SelectPercentile的实例，因为这些类实现了 get_support 方法，该方法返回所选功能的 bool 掩码或整数索引。

当一个人执行feature selection via linear models penalized with the L1 norm时，尚不清楚如何实现这一点。 sklearn.svm.LinearSVC 没有 get_support 方法，并且文档没有明确说明如何在使用其 transform 方法后检索特征索引从样本集合中消除特征。我在这里遗漏了什么吗？

Answer 1

对于稀疏估计器，您通常可以通过检查非零条目在系数向量中的位置来找到支持(假设系数向量存在，例如线性模型就是这种情况)

support = np.flatnonzero(estimator.coef_)

对于具有 l1 惩罚的 LinearSVC ，相应的结果是

from sklearn.svm import LinearSVC
svc = LinearSVC(C=1., penalty='l1', dual=False)
svc.fit(X, y)
selected_feature_names = np.asarray(vectorizer.get_feature_names())[np.flatnonzero(svc.coef_)]