信息熵与基尼指数的关系（一阶泰勒展开）

1、信息熵：

        信息熵可以度量信息量，也可以表达不确定程度，混乱程度。在机器学习中，还可以度量样本集合的纯度（熵越小集合纯度越高）。信息熵的定义为：

                                         （1）

       其中，D表示集合，K表示类别数，Pk表示第k类别样本的比例。集合中每一类样本的比例越接近，表示集合纯度越低，越混乱，即熵的值越大。集合中类别越单一，表示纯度越高，熵的值越小。

       令：

                          （2）

       对上式在p=1处做一阶泰勒展开，得到：

      （3）

       即用﹣logP来近似1-P，且P处于[0,1]，从图上来直观理解一下：

       代入信息熵的公式可得：

                           （4）

2、基尼指数：

        数据集D的纯度也可以用基尼指数来度量，基尼指数反映数据集D中随机抽取两个样本，其类别标记不一致的概率，不一致的概率越小集合就越纯。公式：

  （5）

         由于Pk概率之和为1，所以（4）式刚好等于（5）式。也就是说：基尼指数是信息熵中﹣logP在P=1处一阶泰勒展开后的结果！所以两者都可以用来度量数据集的纯度，用于描述决策树节点的纯度！