多项式NB的coeff_属性是作为线性分类器模型的朴素贝叶斯模型的重新参数化。对于二进制分类问题，这基本上是给定正类的特征的估计概率的对数。这意味着更高的值意味着积极类具有更重要的特征。
由于我的分类器在测试数据上的准确率约为99%，我有点怀疑，希望深入了解NB分类器中信息量最大的特征，看看它正在学习什么样的特征。以下主题非常有用：如何获得scikit学习分类器的信息量最大的功能？
至于我的功能输入，我仍在四处玩耍，目前我正在测试一个简单的unigram模型，使用CountVectorizer:
vectorizer = CountVectorizer(ngram_range=(1, 1), min_df=2, stop_words='english')
在上述主题上，我发现了以下功能：
def show_most_informative_features(vectorizer, clf, n=20):
feature_names = vectorizer.get_feature_names()
coefs_with_fns = sorted(zip(clf.coef_[0], feature_names))
top = zip(coefs_with_fns[:n], coefs_with_fns[:-(n + 1):-1])
for (coef_1, fn_1), (coef_2, fn_2) in top:
print "t%.4ft%-15stt%.4ft%-15s" % (coef_1, fn_1, coef_2, fn_2)
得出以下结果：
-16.2420 114th -4.0020 said
-16.2420 115 -4.6937 obama
-16.2420 136 -4.8614 house
-16.2420 14th -5.0194 president
-16.2420 15th -5.1236 state
-16.2420 1600 -5.1370 senate
-16.2420 16th -5.3868 new
-16.2420 1920 -5.4004 republicans
-16.2420 1961 -5.4262 republican
-16.2420 1981 -5.5637 democrats
-16.2420 19th -5.6182 congress
-16.2420 1st -5.7314 committee
-16.2420 31st -5.7732 white
-16.2420 3rd -5.8227 security
-16.2420 4th -5.8256 states
-16.2420 5s -5.8530 year
-16.2420 61 -5.9099 government
-16.2420 900 -5.9464 time
-16.2420 911 -5.9984 department
-16.2420 97 -6.0273 gop
它是有效的，但我想知道这个函数做什么来解释结果。大多数情况下，我很难理解"coeff_"属性的作用。
我知道左边是系数最低的前20个特征名称，右边是系数最高的特征。但这究竟是如何运作的，我该如何解读这一概述？这是否意味着左侧拥有消极类的信息最多的特征，右侧拥有积极类的信息最丰富的特征？
此外，在左侧，功能名称看起来像是按字母顺序排列的，这是正确的吗？
上面的打印在第一列中显示了前20个最低值(较少预测特征)，在第二列中显示前20个高值(最高预测特征)。
coef_属性中显示的数字是概率的对数。对于每个预测特征，所有这些概率的总和将等于1，并且coef_属性的长度等于预测特征的数量。要亲自检查，您可以使用以下列表理解：
sum([np.exp(1)**x for x in clf.coef_[0]]) # The sum of probabilities == 1
此外，为了回答@LN_p的注释，.classes_属性将显示查看coef_阵列时引用的特征的顺序。
这是我遇到的一个类似的帖子：如何在naive_bayes多项式NB 中计算feature_log_prob_