决策树算法梳理
1.信息论基础(熵 联合熵 条件熵 信息增益 基尼不纯度)
- 熵(entropy)
熵是表示随机变量不确定性的度量,如果一件事有n nn种可能结果,每种结果的概率为pi(i=1,2…,n) , (i=1,2…,n),那么熵表示为
H ( x ) = − ∑ i = 1 n p i ∗ l o g 2 p i H(x)=-\sum_{i=1}^n { p_i*log_2pi} H(x)=−i=1∑npi∗log2pi
熵越大,随机变量的不确定性就越大
当p=0或者p=1时,H§=0,随机变量完全没有不确定性,
当p=0.5时,H§=1 熵最大,即随机变量的不确定性最大。
熵的不确定性变化可以用上图来表示
-
联合熵
服从联合分布为p(x,y)的一对离散型随机变量(X,Y) ,其联合熵H(X,Y)定义为:
-
条件熵
H(Y∣X)表示在已知随机变量X的条件下随机变量Y的不确定性:
-
信息增益
信息增益表示特征X使得类Y的不确定性减少的程度。特征A对训练数据集D的信息增益g(D,A) 定义为集合D的经验熵H(D)与特征A给定条件下D的经验条件熵H(D∣A) 之差
g ( D , A ) = H ( D ) − H ( D ∣ A ) g(D,A)=H(D)-H(D|A) g(D,A)=H(D)−H(D∣A) -
基尼不纯度
基尼不纯度,是指将来自集合中的某种结果随机应用在集合中,某一数据项的预期误差率,即从一个数据集中随机选取子项,度量其被错误划分到其他组里的概率。
G i n i ( p ) =