Identificando recursos filtrados após a seleção de recursos com o scikit learn

Aqui está o meu código para o método de seleção de recursos em Python:

from sklearn.svm import LinearSVC
from sklearn.datasets import load_iris
iris = load_iris()
X, y = iris.data, iris.target
X.shape
(150, 4)
X_new = LinearSVC(C=0.01, penalty="l1", dual=False).fit_transform(X, y)
X_new.shape
(150, 3)

Mas depois de obter o novo X (variável dependente - X_new), como sei quais variáveis ​​são removidas e quais são consideradas nessa nova variável atualizada? (qual remove ou quais três estão presentes nos dados.)

O motivo de obter essa identificação é aplicar a mesma filtragem nos novos dados de teste.

Há duas coisas que você pode fazer:

• Verifique os coef_parâmetros e detecte qual coluna foi ignorada
• Use o mesmo modelo para transformação de dados de entrada usando o método transform

Pequenas modificações para o seu exemplo

>>> from sklearn.svm import LinearSVC
>>> from sklearn.datasets import load_iris
>>> from sklearn.cross_validation import train_test_split
>>>
>>> iris = load_iris()
>>> x_train, x_test, y_train, y_test = train_test_split(
...     iris.data, iris.target, train_size=0.7
... )
>>>
>>> svc = LinearSVC(C=0.01, penalty="l1", dual=False)
>>>
>>> X_train_new = svc.fit_transform(x_train, y_train)
>>> print(X_train_new.shape)
(105, 3)
>>>
>>> X_test_new = svc.transform(x_test)
>>> print(X_test_new.shape)
(45, 3)
>>>
>>> print(svc.coef_)
[[ 0.          0.10895557 -0.20603044  0.        ]
 [-0.00514987 -0.05676593  0.          0.        ]
 [ 0.         -0.09839843  0.02111212  0.        ]]

Como você vê, o método transformfaz todo o trabalho por você. E também a partir da coef_matriz, você pode ver a última coluna apenas com um vetor zero, para modelar ignorar a última coluna dos dados

Alternativamente, se você usar SelectFromModel para seleção de recursos após ajustar a SVC, você pode usar o método de instância get_support. Isso retorna uma matriz booleana que mapeia a seleção de cada recurso. Em seguida, junte-o a uma matriz de nomes de recursos originais e filtre os status booleanos para produzir o conjunto de nomes de recursos selecionados relevantes.

Espero que isso ajude os futuros leitores que também lutaram para encontrar a melhor maneira de obter nomes de recursos relevantes após a seleção dos recursos.

Exemplo:

lsvc = LinearSVC(C=0.01, penalty="l1", dual=False,max_iter=2000).fit(X, y) 
model = sk.SelectFromModel(lsvc, prefit=True) 
X_new = model.transform(X) 
print(X_new.shape) 
print(model.get_support()) 

Com base na solução @chinnychinchin, costumo fazer:

lsvc = LinearSVC(C=0.01, penalty="l1", dual=False,max_iter=2000).fit(X, y) 
model = sk.SelectFromModel(lsvc, prefit=True) 
X_new = model.transform(X) 
print(X.columns[model.get_support()]) 

que retorna algo como:

Index([u'feature1', u'feature2', u'feature',
  u'feature4'],
  dtype='object')