这个问题和答案展示了当使用scikit-learn的专用特征选择例程进行特征选择时，可以通过以下方式获取所选特征的名称：

np.asarray(vectorizer.get_feature_names())[featureSelector.get_support()]

例如，在上面的代码中，featureSelector可能是sklearn.feature_selection.SelectKBest或sklearn.feature_selection.SelectPercentile的实例，因为这些类实现了get_support方法，该方法返回所选特征的布尔掩码或整数索引。

当通过使用L1范数惩罚的线性模型进行特征选择时，如何实现这一点尚不清楚。sklearn.svm.LinearSVC没有get_support方法，且文档中没有明确说明如何在使用其transform方法从样本集合中消除特征后检索特征索引。我在这里遗漏了什么吗？

回答：

对于稀疏估计器，您通常可以通过检查系数向量中的非零条目来找到支持（前提是系数向量存在，例如线性模型的情况）

support = np.flatnonzero(estimator.coef_)

对于使用l1惩罚的LinearSVC，相应地将是

from sklearn.svm import LinearSVCsvc = LinearSVC(C=1., penalty='l1', dual=False)svc.fit(X, y)selected_feature_names = np.asarray(vectorizer.get_feature_names())[np.flatnonzero(svc.coef_)]