在Python中如何获取多项式朴素贝叶斯的特征权重？

在Python的scikit-learn库中，可以使用`sklearn.naive_bayes.MultinomialNB`或`sklearn.naive_bayes.BernoulliNB`类（针对多项式和伯努利朴素贝叶斯模型）来获取特征的权重。这两个类都内置了`feature_importances_`属性，这个属性会在训练完成后自动计算并返回。

例如，对于多项式朴素贝叶斯：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNB

# 加载数据
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2)

# 训练模型
clf = MultinomialNB()
clf.fit(X_train, y_train)

# 获取特征权重
feature_importances = clf.feature_importances_

同样地，对于伯努利朴素贝叶斯（适用于二元数据），方法是一样的：

from sklearn.naive_bayes import BernoulliNB

clf = BernoulliNB()
clf.fit(X_train, y_train)
feature_importances = clf.feature_importances_

这里的`feature_importances`就是一个列表，索引对应于输入特征，值表示该特征的重要性分数。