使用线性核函数获取SVM模型特征系数

错误提示是'coef_ is only available when using a linear kernel'，意思是当使用非线性核函数时，coef_属性是不可用的。因此，你可以尝试修改模型的核函数为线性核函数，然后再重新运行代码。

修改代码如下：

from sklearn.svm import SVC
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler

# 定义管道
pipe = Pipeline([
    ('scaler', StandardScaler()),
    ('svm', SVC(kernel='linear'))
])

# 定义参数网格
param_grid = {
    'svm__C': [0.1, 1, 10]
}

# 网格搜索
grid_search = GridSearchCV(pipe, param_grid, cv=5)
grid_search.fit(X, y)

# 保存模型
import joblib
best_model = grid_search.best_estimator_
joblib.dump(best_model, 'best_model.pkl')

这样修改后，模型将使用线性核函数，即可使用coef_属性获取特征的系数。

代码解释

导入必要的库: 导入sklearn库中的SVC、GridSearchCV、Pipeline和StandardScaler，以及joblib库。
定义管道: 创建一个管道，包含StandardScaler用于数据预处理，以及SVC用于训练模型。
定义参数网格: 定义一个参数网格，用于GridSearchCV中的参数搜索。
网格搜索: 使用GridSearchCV进行参数搜索，并使用最佳参数训练模型。
保存模型: 使用joblib库保存训练好的模型。

注意事项

使用线性核函数时，模型的解释性更强，可以更容易地理解各个特征对结果的影响。
在实际应用中，需要根据具体问题选择合适的核函数，线性核函数不一定是最优选择。
如果使用非线性核函数，则无法直接获取特征系数，可以使用其他方法进行特征重要性分析。