信息熵，条件熵，信息增益与信息增益比

最新推荐文章于 2024-04-30 00:01:02 发布

lookaykwok

最新推荐文章于 2024-04-30 00:01:02 发布

阅读量692

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签：决策树

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/LookayKwok/article/details/81409214

机器学习专栏收录该内容

2 篇文章

订阅专栏

本文介绍了信息论中的几个核心概念，包括信息熵、条件熵、信息增益和信息增益比。信息熵用来衡量随机变量的不确定性；条件熵则是在已知某个随机变量条件下另一个随机变量的不确定性；信息增益反映了特征对于训练集分类不确定性的减少程度；信息增益比进一步考虑了特征本身的熵。

1. 信息熵

熵表示随机变量不确定性的度量。设 $X$ 是一个取有限值的离散随机变量，其概率分布为

$P(X=x_{i})=p_{i}, i=1,2,...,n$

那么随机变量 $X$ 的信息熵为

$H(X)=- \sum_{i=1}^n{p_ilogp_i}}$

当 $p_1=p_2=...=p_n=\frac{1}{n}$ 时，信息熵 $H(X)$ 取最大。

1.1 证明

要求 $H(X)$ 最大

$maxH(X)=- \sum_{i=1}^n{p_ilogp_i}}, st. \sum_{i=1}^np_i=1$

首先构造拉格朗日公式，

$maxL(X,\alpha )=- \sum_{i=1}^n{p_ilogp_i}} + \alpha(\sum_{i=1}^np_i-1)$

然后对 $p_i$ 求导，得到 $p_i$ 为一常数，所以结论成立。

2. 条件熵

条件熵 $H(Y|X)$ 表示已知随机变量 $X$ 的条件下，随机变量 $Y$ 的不确定性，定义为

$H(Y|X)=\sum_{i=1}^n{p_iH(Y|X=x_i)}$

其中， $p_i=P(X=x_i), i=1,2,...n$

3. 信息增益

特征 $A$ 对训练集 $D$ 的信息增益 $g(D, A)$ 是，集合 $D$ 的经验熵 $H(D)$ 与给定特征 $A$ 的条件下 $D$ 的经验条件熵 $H(D|A)$ 之差，即

$g(D, A)=H(D)-H(D|A)$

一般地，熵 $H(Y)$ 与条件熵 $H(Y|X)$ 之差称为互信息。

信息增益表示特征 $A$ 对训练集 $D$ 的分类不确定性的减少程度。

4. 信息增益比

特征 $A$ 对训练集 $D$ 的信息增益比的定义是

$g_r(D,A)=\frac{g(D,A)}{H(A)}$

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。