在larsmans代码的帮助下，我想到了以下二进制情况的代码：

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%.4f\t%-15s\t\t%.4f\t%-15s" % (coef_1, fn_1, coef_2, fn_2)

分类器本身不记录要素名称，它们仅显示数字数组。但是，如果使用Vectorizer / CountVectorizer / TfidfVectorizer / DictVectorizer提取了特征， 并且使用的是线性模型（例如LinearSVC或Naive Bayes），则可以应用与文档分类示例相同的技巧。示例（ 未经测试 ，可能包含一个或两个错误）：

def print_top10(vectorizer, clf, class_labels):
    """Prints features with the highest coefficient values, per class"""
    feature_names = vectorizer.get_feature_names()
    for i, class_label in enumerate(class_labels):
        top10 = np.argsort(clf.coef_[i])[-10:]
        print("%s: %s" % (class_label,
              " ".join(feature_names[j] for j in top10)))

这是用于多类分类的；对于二进制情况，我认为您应该仅使用clf.coef_[0] 。您可能需要对class_labels进行排序。

要添加更新， RandomForestClassifier现在支持.feature_importances_属性。此属性告诉您该功能可以解释多少观测到的方差。显然，所有这些值的总和必须小于等于1。

在执行特征工程时，我发现此属性非常有用。

感谢scikit学习团队和贡献者！

编辑：这适用于RandomForest和GradientBoosting。因此， RandomForestClassifier ， RandomForestRegressor ， GradientBoostingClassifier和GradientBoostingRegressor均支持此功能。

实际上，我必须在NaiveBayes分类器上找到功能重要性，尽管我使用了上述功能，但无法基于类获得功能重要性。我仔细阅读了scikit-learn的文档，并对上面的函数进行了一些调整，以发现它可以解决我的问题。希望它也对您有帮助！

def important_features(vectorizer,classifier,n=20):
    class_labels = classifier.classes_
    feature_names =vectorizer.get_feature_names()

    topn_class1 = sorted(zip(classifier.feature_count_[0], feature_names),reverse=True)[:n]
    topn_class2 = sorted(zip(classifier.feature_count_[1], feature_names),reverse=True)[:n]

    print("Important words in negative reviews")

    for coef, feat in topn_class1:
        print(class_labels[0], coef, feat)

    print("-----------------------------------------")
    print("Important words in positive reviews")

    for coef, feat in topn_class2:
        print(class_labels[1], coef, feat)

请注意，您的分类器（在我的情况下是NaiveBayes）必须具有feature_count_属性才能起作用。

我们最近发布了一个库（ https://github.com/TeamHG-Memex/eli5 ），该库可以做到这一点：它处理来自scikit-learn，二进制/多类案例的变量分类器，允许根据特征值突出显示文本，与IPython等集成。