机器学习—信息增益

机器学习—信息增益

 

举例说明：如果有8位同学，男生3位，女生5位。 如果用头发，和声音判断男女，那么头发长判断完，在判断声音细好呢？还是用声音细先判断，在用头发长判断好呢？这个头发，声音就是“熵”，那么两种判断方法就是两种“信息增益”，需要计算它，比较哪个信息增益的值更大，意味着用这个属性来进行划分所获得的“纯度提升”越大，方知哪种更好。

首先计算未分类前的熵 ：熵（总）=-3/8*log2(3/8)-5/8*log2(5/8)=0.9544 

先按A头发分类，分类后的结果为：长头发中有1男3女。短头发中有2男2女。

熵（A长发）=-1/4*log2(1/4)-3/4*log2(3/4)=0.8113

熵（A短发）=-2/4*log2(2/4)-2/4*log2(2/4)=1

熵（A）=4/8*0.8113+4/8*1=0.9057

信息增益（同学A）=熵（总）-熵（A）=0.9544-0.9057=0.0487

再按B声音特征来分，分类后的结果为：声音粗中有3男3女。声音细中有0男2女。

熵（B声音粗）=-3/6*log2(3/6)-3/6*log2(3/6)=1

熵（B声音粗）=-2/2*log2(2/2)=0

熵（B）=6/8*1+2/8*0=0.75

信息增益（B）=熵（总）-熵（A）=0.9544-0.75=0.2087

按B的方法，先按声音特征分类，信息增益更大，区分样本的能力更强，更具有代表性。

 

原文链接：https://www.jianshu.com/p/3f3caebb7e7a