我通常得到这样的PCA负载:
pca = PCA(n_components=2)
X_t = pca.fit(X).transform(X)
loadings = pca.components_
如果我PCA使用scikit-learnpipline 运行...
from sklearn.pipeline import Pipeline
pipeline = Pipeline(steps=[
('scaling',StandardScaler()),
('pca',PCA(n_components=2))
])
X_t=pipeline.fit_transform(X)
......有可能获得负荷吗？
只是尝试loadings = pipeline.components_失败:
AttributeError: 'Pipeline' object has no attribute 'components_'
谢谢!
(也有兴趣coef_从学习管道中提取属性.)
我想知道在预处理管道中使用分类器时，如何从 scikit-learn 中的随机森林中提取特征重要性以及特征名称。
这里的问题仅涉及提取特征重要性：如何从 Sklearn pipeline 中提取特征重要性
从我所做的简短研究来看，这在 scikit-learn 中似乎不可能，但我希望我是错的。
我还发现了一个名为 ELI5 的包（https://eli5.readthedocs.io/en/latest/overview.html），它应该可以解决 scikit-learn 的问题，但它并没有解决我的问题，因为名称为我输出的特征是 x1、x2 等，而不是实际的特征名称。
作为一种解决方法，我在管道之外完成了所有预处理，但很想知道如何在管道中进行预处理。
如果我可以提供任何有用的代码，请在评论中告诉我。