机器学习基础（三）——信息、信息熵与信息增益

信息：information，信息熵：information entropy，信息增益：information gain（IG）

划分数据集的大原则是：将无序的数据变得更加有序。组织杂乱无章数据的一种方法就是使用信息论度量信息，信息论是量化处理信息的分支科学。

在划分数据集之前之后信息发生的变化称为信息增益，知道如何计算信息增益，我们就可以计算每一个特征值划分数据集获得的信息增益，获得信息增益最高的特征就是最好的选择。

信息、信息熵的定义

如果待分类的数据集可能划分在多个分类之中，则类别 $x_i$ 的信息定义为：

$$l(x_i)=-\log_2p(x_i)$$
其中 $p(x_i)$ 是该类别的样本所占的比例；

为了计算熵，我们需要计算所有类别所有可能包含的信息期望值（由离散型随机变量的期望计算公式可知），

$$H=-\sum_{i=1}^np(x_i)\log_2 p(x_i)$$
遍历相乘再相加，可以使用内积计算熵。

信息熵，被用来度量信息的无序程度（信息熵越大，越无序，等于 0 时，意味着全部类别都相同，完全有序）

熵的性质：

• （1）非负，$0<p(x_i)\leq 1\rightarrow \log_2p(x_i)\leq 0$
• （2）完全有序，也即 $p(x)=1 \rightarrow H=0$
• （3）香农熵越小越有序，越大越混乱。

计算数据集的香农熵和最佳划分特征

根据数据集的类别，计算数据集的香农熵：

from collections import Counter
from math import log

def calcShannonEnt(dataset):
    classCnt = [sample[-1] for sample in dataset]
    n = len(dataset)
    classCnt = Counter(classCnt)
    ent = 0.
    for times in classCnt.values():
        ent -= times/n*log(times/n, 2)
    return ent

按照给定特征（属性列）划分数据集：

# 第三个参数 val 不是手动指定的，
# 该函数也不是直接交由外部调，而是被其他函数调用
# 在函数内部，也即遍历属性列不重复的属性值时，传递进来val值
def splitDataset(dataset, axis, val):
    splitedDataset = []
    for sample in dataset:
        if sample[axis] == val:
            splitedDataset.append(sample[:axis]+sample[axis+1:])
    return splitedDataset

选择最好的数据集划分方式，也即找到最好的属性列，显然需要遍历属性列，找到最大的信息增益：

def chooseBestFeatToSplit(dataset):
    baseEnt = calcShannonEnt(dataset)
    bestInfoGain, bestFeat = 0., -1
    for j in range(len(dataset[0])-1):
        featCol = [sample[j] for sample in dataset]
        uniqFeat = set(featCol)
        newEnt = 0.
        for val in uniFeat:
            subDataset = splitDataset(dataset, j, val)
            newEnt = len(subDataset)/len(dataset)*calcShannonEnt(subDataset)
        infoGain = baseEnt - newEnt
        if bestInfo < infoGain:
            bestInfo = infoGain
            bestFeast = j
    return bestFeat