在TF和TF*国防军载体上执行Chi-2特征选择

Question

我正在试验一些文本分类任务的Chi-2特性选择。我理解Chi-2测试检查依赖项B/T两个分类变量，因此，如果我们对具有二进制弓向量表示的二进制文本分类问题执行Chi-2特征选择，那么在每个(特征、类)对上的每个Chi-2测试将是一个非常简单的、具有1自由度的CH-2测试。

引用文档：selection.chi2，

此分数可用于从X中选择具有最高值的n_features特征，该统计量必须包含布尔值或频率(例如，文档分类中的术语计数)。

在我看来，我们也可以在DF (字计数)向量表示上执行Chi-2特征选择。我的第一个问题是:学习如何将整数值特性离散为范畴？

我的第二个问题与第一个问题相似。来自这里的演示代码：20newsgroups.html

在我看来，我们也可以在TF*国防军向量表示上执行Chi-2特征选择。sklearn如何在实值特征上执行Chi-2特征选择？

提前感谢您的善意建议！

Answer 1

应急表 2特性选择代码根据输入X (功能值)和y (类标签)构建χ。每一项i，j对应于某一特征I和某一类j，并包含属于j类的所有样本的I‘to特征值之和，然后根据类间经验分布(仅是它们在y中的相对频率)所产生的期望频率计算χ2检验统计量，并对特征值进行均匀分布。

当特征值是频率(例如，术语)时，这是可行的，因为和将是该类中某个特征(术语)的总频率。不需要谨慎处理。

当这些值是tf值时，它在实践中也很好地工作，因为这些值只是加权/缩放频率。