参考:[https://www.cnblogs.com/YouXiangLiThon/p/7214393.html]
1、信息熵、条件熵、信息增益
信息熵(Entropy):度量随机变量Y={c1,c2,c3…,ck}的不确定性,熵越大,不确定性越高。在分类中类别越多,也就说包含的信息越多,熵越大。
计算方法:X表示某个分类,p(x)选择该分类的概率。H(X)所有类别之和。如果只有一个分类,则p(x)=1,熵即为0,熵越小,越确定。
例如:天气预报的例子,
在14天中,play=no的事件为5,paly=Yes的事件为9.分类之前,信息熵(只看结果)
条件熵(Information Gain):用来衡量已知随机变量T的条件下,随机变量Y的不确定性。也就是在根据特征T划分样本的条件下,Y的熵。
信息增益(Information Gain):根据特征T进行数据集划分后,信息熵的变化,划分数据集时应该选择获取最大信息增益的方法。看划分数据集之后的信息熵以及信息增益。划分数据集的目的就是寻求在决策树中最显著的特征,所以要对每一个特征划分数据集的结果计算一次信息熵(Information Gain)。 信息增益大的特征,分类能力越强。
2、决策树的类型
- ID3
- C4.5
- CART
区别 ID3无法对数值型的特征直接处理,比如年收入,需要人工提前将特征量化好。后面的C4.5和CART 可以自动处理连续特征。