决策树公式

决策树公式

公式  机器学习  决策树 

1. 熵

Gini系数

1.1数据表

outlook	temperature	humidity	windy	play
sunny	hot	high	FALSE	no
sunny	hot	high	TRUE	no
overcast	hot	high	FALSE	yes
rainy	mild	high	FALSE	yes
rainy	cool	normal	FALSE	yes
rainy	cool	normal	TRUE	no
overcast	cool	normal	TRUE	yes
sunny	mild	high	FALSE	no
sunny	cool	normal	FALSE	yes
rainy	mild	normal	FALSE	yes
sunny	mild	normal	TRUE	yes
overcast	mild	high	TRUE	yes
overcast	hot	normal	FALSE	yes
rainy	mild	high	TRUE	no

play的熵：

outlook的信息熵：

• outlook=sunny时，2/5打球概率，3/5打球概率. entropy=0.971
• outlook=overcast，entropy=0
• outlook=rainy时，entropy=0.971

5/14 * 0.971 + 4/14 * 0 + 5/14 * 0.971=0.693
信息增溢gain(outlook)=0.940-0.693=0.247
同样计算出gain(temperature)=0.029
gain(humidity)=0.152
gain(windy)=0.048
gain(outlook)最大（信息熵下降最快），所以决策树根节点选outlook

2.经验熵H(D)

为了计算熵，我们需要计算所有类别所有可能值所包含的信息期望值,p(x_i)是选择该分类的概率:

其中，n为分类数目，熵越大，随机变量的不确定性就越大。
设有K个类Ck，k = 1,2,3,···,K，|Ck|为属于类Ck的样本个数，这经验熵公式可以写为：

outlook特征的熵

3.条件熵

条件熵H(Y|X)表示在已知随机变量X的条件下随机变量Y的不确定性，随机变量X给定的条件下随机变量Y的条件熵(conditional entropy) H(Y|X)，定义X给定条件下Y的条件概率分布的熵对X的数学期望：

其中，p_i = P(X=x_i)

4.信息增益

信息增益是相对于特征而言的。所以，特征A对训练数据集D的信息增益g(D,A)，定义为集合D的经验熵H(D)与特征A给定条件下D的经验条件熵H(D|A)之差，即：

5.信息增益比

特征A对训练数据集D的信息增益比g_R(D,A)定义为其信息增益g(D,A)与训练数据集D的经验熵之比：

转载于:https://www.cnblogs.com/wnmjzt/p/9533561.html