知识卡片
基尼不纯度评估划分
分类树可以用基尼不纯度衡量节点类别混杂程度:对类别比例 pₖ,Gini=1−Σpₖ²;纯节点值为零。比较候选划分时按子节点样本比例加权,选择不纯度较低的划分;它衡量的是训练样本的分类混杂,而非直接证明泛化最好。
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
- · 第5章 机器学习
原书出处 · 1 处
- 机器学习 · 查看原书依据
总体内包含的类别越杂乱,Gini指数就越大。
参考来源
- 位置:《现代人工智能技术》第5章《机器学习》(来源项目:book-source;源文件:extracted/现代人工智能技术/_epub-src/EPUB/xhtml/chapter7.xhtml)
- 结论依据:原文说明基尼指数随类别混杂增加,并用划分后基尼指数选择属性。
- 原始内容:总体内包含的类别越杂乱,Gini指数就越大。