在sklearn中使用DictVectorizer后如何获得分类特征的重要性

Question

我正在使用sklearn.ensemble.GradientBoostingRegressor来训练模型。

我的数据集包括异构变量，包括数值变量和类别变量由于sklearn不支持分类变量，在输入到Regressor之前，我使用DictVectorizer转换这些分类特征。这是我的一段代码：

# process numeric and categorical variables separately
lsNumericColumns = []
lsCategoricalColumns = []
for col in dfTrainingSet.columns:
    if (dfTrainingSet[col].dtype == np.object):
        lsCategoricalColumns.append(col)
    else:
        lsNumericColumns.append(col)
# numeric columns
dfNumVariables = dfTrainingSet.loc[:, lsNumericColumns]
dfNumVariables.fillna(0, inplace=True)
arrNumVariables = dfNumVariables.as_matrix()
# categorical columns
dfCateVariables = dfTrainingSet.loc[:,lsCategoricalColumns]
dfCateVariables.fillna('NA', inplace=True)
vectorizer =  DictVectorizer(sparse=False)
arrCateFeatures = vectorizer.fit_transform(dfCateVariables.T.to_dict().values())
# setup training set
arrX = np.concatenate((arrNumVariables,arrCateFeatures), axis=1)
arrY = dfData['Y'].values

然后，训练模型并输出特征重要性：

# setup regressor
params = {'n_estimators':500, 'max_depth':10, 'min_samples_split':50, 
          'min_samples_leaf':50, 'learning_rate':0.05, 'loss':'lad', 
          'subsample':1.0, 'max_features':"auto"} 
gbr = GradientBoostingRegressor(**params) 
# fit
print('start to train model ...') 
gbr.fit(arrX, arrY) 
print('finish training model.')
print(gbr.feature_importances_)

这将给我一个（feature_index，feature_importance）元组列表然而，我发现这个特征索引不是原始的特征索引，因为一个分类列可以转换为多个列

我知道我可以从DictVectorizer获得矢量化的特征名称，但我如何才能发现原始特征的重要性

我可以把同一原始特征对应的矢量化特征的所有重要性相加，得到原始特征的重要性吗？

Answer 1

您可以通过获得一个热门功能的功能重要性

zip(vectorizer.get_feature_names(), gbr.feature_importances_)

这给出了（特征，重要性）对的列表，其中特征的形式为类别的'name=value'，而原始数字特征的形式仅为name。get_feature_names输出中的出现顺序保证与transform或fit_transform输出中的顺序匹配。

老实说，我不确定原始类别的功能重要性；我试着取平均值而不是总和。