У меня есть набор данных, и я хочу обучить свою модель этим данным. После обучения мне нужно знать функции, которые являются основными участниками классификации классификатора SVM.Определение наиболее важных функций для классификатора SVM в sklearn
Есть что-то названное особенностью для лесных алгоритмов, есть ли что-то подобное?
Да, для SVM-классификатора есть атрибут coef_, но он работает только для SVM с линейным ядром. Для других ядер это невозможно, потому что данные преобразуются методом ядра в другое пространство, которое не связано с входным пространством, проверьте explanation.
from matplotlib import pyplot as plt
from sklearn import svm
def f_importances(coef, names):
imp = coef
imp,names = zip(*sorted(zip(imp,names)))
plt.barh(range(len(names)), imp, align='center')
plt.yticks(range(len(names)), names)
plt.show()
features_names = ['input1', 'input2']
svm = svm.SVC(kernel='linear')
svm.fit(X, Y)
f_importances(svm.coef_, features_names)
И выход функции выглядит следующим образом: 
Как найти значение важности для ядра, отличного от линейного, было бы здорово, если бы вы могли опубликовать ответ для того же –
Я обновил ответ, это невозможно для нелинейного ядра. –
Посмотрите на эти ответы: http://stackoverflow.com/questions/11116697/how-to-get-most-informative -features-for-scikit-learn-classifiers. Если вы используете линейный SVM, примеры должны работать на вас. – vpekar