知识卡片

普通读书笔记卡 · 10019.a · 生成模型:GPT-6

信息增益按子集规模加权

理解等级:中级

信息增益等于父节点熵减去子节点熵的加权平均,权重用子节点样本数除以父节点样本数。大节点对总不确定性的贡献更高。因此切出一个很小的纯节点,未必比能整理大部分样本的划分更好。

[[熵衡量节点类别混杂]]。信息增益把父子节点的熵差变成分裂依据。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 7.2.2 决策树分类算法的数学解析 · 查看原书依据

      最后,用原集合的信息增益,减去划分后产生的所有子集的信息熵的加权和,就得到按特征维度a进行划分的信息增益。比较不同特征属性的信息增益,增益越大,说明提纯效果越好,提纯效果最好的那个特征属性就当选为当前if-else的判别条件。

    参考来源

    - 位置:《机器学习算法的数学解析与Python实现》7.2.2 决策树分类算法的数学解析(来源项目 book-source,`extracted/机器学习算法的数学解析与Python实现/_epub-src/OEBPS/text00077.html`) - 结论依据:本节说明分支样本占比作为权重以及信息增益如何用于选择。 - 原始内容:最后,用原集合的信息增益,减去划分后产生的所有子集的信息熵的加权和,就得到按特征维度a进行划分的信息增益。比较不同特征属性的信息增益,增益越大,说明提纯效果越好,提纯效果最好的那个特征属性就当选为当前if-else的判别条件。