如何在Logistic回归特征重要性输出中显示数据集特征名称？

核心思路 #

要把特征序号换成实际名称，关键是拿到数据集的特征名称列表，再和系数一一对应输出即可。

具体实现 #

假设你用Pandas DataFrame存储训练数据（这是最常见的场景），直接从X_train的列名中提取特征名称即可，修改后的代码如下：

# 获取特征名称列表
feature_names = X_train.columns.tolist()
# 获取对应类别的特征系数（此处coef_[0]对应多分类中的第一个类别）
LR_importance = LR.coef_[0]
# 遍历特征名与系数并输出
for name, score in zip(feature_names, LR_importance):
    print(f'Feature: {name}, Score: {score:.5f}')

特殊情况处理 #

如果你的X_train是Numpy数组（没有自带列名），需要手动定义特征名称列表，再执行同样的遍历逻辑：

# 手动定义特征名称，按数据集特征顺序填写
feature_names = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']
LR_importance = LR.coef_[0]
for name, score in zip(feature_names, LR_importance):
    print(f'Feature: {name}, Score: {score:.5f}')

补充说明 #

因为你用了multi_class='multinomial'，模型的coef_属性形状为(类别数量, 特征数量)，coef_[0]代表第一个类别的特征系数。如果需要查看所有类别的特征重要性，可以嵌套遍历所有类别：

feature_names = X_train.columns.tolist()
# 遍历每个类别
for class_idx, class_coef in enumerate(LR.coef_):
    print(f"\nClass {class_idx} Feature Importance:")
    for name, score in zip(feature_names, class_coef):
        print(f'Feature: {name}, Score: {score:.5f}')

内容的提问来源于stack exchange，提问作者Encipher