使用sklearn进行多标签特征选择

我希望使用 sklearn 对多标签数据集执行特征选择。我想要获得最终的功能集across标签，然后我将在另一个机器学习包中使用它。我打算使用我看到的方法here https://stackoverflow.com/questions/16400722/feature-selection-for-multilabel-classification-scikit-learn/16421186#16421186，它分别为每个标签选择相关特征。

from sklearn.svm import LinearSVC
from sklearn.feature_selection import chi2, SelectKBest
from sklearn.multiclass import OneVsRestClassifier
clf = Pipeline([('chi2', SelectKBest(chi2, k=1000)),
                ('svm', LinearSVC())])
multi_clf = OneVsRestClassifier(clf)

然后，我计划使用以下方法提取每个标签所包含特征的索引：

selected_features = []
for i in multi_clf.estimators_:
    selected_features += list(i.named_steps["chi2"].get_support(indices=True))

现在，我的问题是，如何选择要包含在最终模型中的选定特征？我可以使用每一个独特的功能（其中包括仅与一个标签相关的功能），或者我可以做一些事情来选择与更多标签相关的功能。

我最初的想法是创建一个给定特征被选择的标签数量的直方图，并根据目视检查确定阈值。我担心的是这种方法是主观的。是否有更原则的方法使用 sklearn 对多标签数据集执行特征选择？

根据本文的结论paper http://ceur-ws.org/Vol-1094/bioasq2013_submission_8.pdf:

[...]根据平均值或最大值对特征进行排序 所有标签的卡方得分导致大多数最好的 分类器同时使用较少的特征。

然后，为了选择一个好的功能子集，您只需执行以下操作（类似）：

from sklearn.feature_selection import chi2, SelectKBest

selected_features = [] 
for label in labels:
    selector = SelectKBest(chi2, k='all')
    selector.fit(X, Y[label])
    selected_features.append(list(selector.scores_))

// MeanCS 
selected_features = np.mean(selected_features, axis=0) > threshold
// MaxCS
selected_features = np.max(selected_features, axis=0) > threshold

注意：在上面的代码中，我假设 X 是某个文本矢量化器（文本的矢量化版本）的输出，Y 是每个标签一列的 pandas 数据框（因此我可以选择该列Y[label]）。此外，还有一个应事先固定的阈值变量。