知识卡片
信息增益按子集规模加权
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?
这张卡片已通过人工审查,不再接受失败反馈。
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。