首先举出打网球的例子。
数据集中包含14个样本，其中9个正样本（yes），5个负样本（no）。则这些元组的期望信息（即熵）为：
Info(D) = - 9/14 * log2(9/14) - 5/14 * log2(5/14) = 0.940
现在观察每个属性的期望信息需求。在属性Outlook中，对于sunny，正样本数为2，负样本数为3；对于overcast，正样本数为4，负样本数为0；对与rain，正样本数为3，负样本数为2。
按照Outlook划分样例得到的期望信息为：
该博客通过一个打网球的例子介绍了如何运用Weka进行决策树实验。文章详细计算了不同属性（Outlook, Temperature, Humidity, Wind）的信息熵和信息增益，最终根据信息增益选择属性构建决策树模型。"
112296190,10535032,Common Lisp中的动态作用域与特殊变量,"['Lisp语言', '编程原理', '动态作用域', '特殊变量', 'Scheme']
最低0.47元/天 解锁文章
739
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
