web-dev-qa-db-fra.com

Calcul du gain en informations avec Scikit-learn

J'utilise Scikit-learn pour la classification de texte. Je souhaite calculer le gain d’information pour chaque attribut par rapport à une classe dans une matrice de termes de document (fragmentée). Le gain d'information est défini comme suit: H(Class) - H (Classe | Attribut)), où H est l'entropie.

En utilisant weka, ceci peut être accompli avec le InfoGainAttribute . Mais je n'ai pas trouvé cette mesure dans scikit-learn.

Cependant, il a été suggéré que la formule ci-dessus pour le gain d'information soit la même mesure que l'information mutuelle. Cela correspond également à la définition de wikipedia .

Est-il possible d'utiliser un paramètre spécifique pour l'information mutuelle dans scikit-learn pour accomplir cette tâche?

17
Characeae

Vous pouvez utiliser scikit-learn's mutual_info_classif voici un exemple

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)

cela produira un dictionnaire de chaque attribut, c’est-à-dire un élément du vocabulaire sous forme de clés et leur information gagnante sous forme de valeurs

voici un échantillon de la sortie

{'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}
20
sgDysregulation