Information Calcul de gain avec Scikit-learn

Question

J'utilise Scikit-learn pour la classification de texte. Je veux calculer le gain d'information pour chaque attribut par rapport à une classe dans une matrice de termes documentaires (clairsemée). Le gain d'information est défini comme H (Classe) - H (Attribut de classe |), où H est l'entropie. En utilisant weka, ceci peut être accompli avec InfoGainAttribute. Mais je n'ai pas trouvé cette mesure dans scikit-learn.

Toutefois, il a été suggested que la formule ci-dessus pour Information Gain est la même mesure que l'information mutuelle. Cela correspond également à la définition dans wikipedia.

Est-il possible d'utiliser un paramètre spécifique pour des informations mutuelles dans scikit-learn pour accomplir cette tâche?

Answer 1

Vous pouvez utiliser scikit-learn de mutual_info_classif est ici 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) 

cette sortie de volonté un dictionnaire de chaque attribut, à savoir élément dans le vocabulaire clés et leur gain d'information que les valeurs

ici est 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}