機(jī)器學(xué)習(xí)基礎(chǔ)（三）——信息、信息熵與信息增益x

　機(jī)器學(xué)習(xí)基礎(chǔ)（三）—— 信息、信息熵與信息增益 信息：information，信息熵：information entropy，信息增益：information gain（IG）

　劃分?jǐn)?shù)據(jù)集的大原則是：將無(wú)序的數(shù)據(jù)變得更加有序。組織雜亂無(wú)章數(shù)據(jù)的一種方法就是使用信息論度量信息，信息論是量化處理信息的分支科學(xué)。

　在劃分?jǐn)?shù)據(jù)集之前之后信息發(fā)生的變化稱為信息增益，知道如何計(jì)算信息增益，我們就可以計(jì)算每一個(gè)特征值劃分?jǐn)?shù)據(jù)集獲得的信息增益， 獲得信息增益最高的特征就是最好的選擇。

　征就是最好的選擇。

　信息、信息熵的定義 如果待分類的數(shù)據(jù)集可能劃分在多個(gè)分類之中，則類別 xi?? ??

　的信息定義為：

　l(xi)=−log2p(xi) ??(?? ?? ) = −log 2 ??(?? ?? )

　其中 p(xi)??(?? ?? ) 是該類別的樣本所占的比例； 為了計(jì)算熵，我們需要計(jì)算所有類別所有可能包含的信息期望值（由離散型隨機(jī)變量的期望計(jì)算公式可知），

　H=−∑i=1np(xi)log2p(xi) ?? = −∑??????=1(?? ?? )log 2 ??(?? ?? )

　遍歷相乘再相加，可以使用內(nèi)積計(jì)算熵。

　信息熵，被用來(lái)度量信息的無(wú)序程度（信息熵越大，越無(wú)序，等于 0 時(shí)，意味著全部類別都相同，完全有序）

　熵的性質(zhì)：

　熵的性質(zhì)：

�。�1）非負(fù)，0<p(xi)≤1→log2p(xi)≤00 < ??(?? ?? ) ≤ 1 → log 2 ??(?? ?? ) ≤ 0 （2）完全有序，也即 p(x)=1→H=0??(??) = 1 → ?? = 0 • （3）香農(nóng)熵越小越有序，越大越混亂。

　計(jì)算數(shù)據(jù)集的香農(nóng)熵和最佳劃分特征 根據(jù)數(shù)據(jù)集的類別，計(jì)算數(shù)據(jù)集的香農(nóng)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

　按照給定特征（屬性列）劃分?jǐn)?shù)據(jù)集：

　# 第三個(gè)參數(shù) val 不是手動(dòng)指定的，

　# 該函數(shù)也不是直接交由外部調(diào)，而是被其他函數(shù)調(diào)用

　# 在函數(shù)內(nèi)部，也即遍歷屬性列不重復(fù)的屬性值時(shí)，傳遞進(jìn)來(lái) 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

　選擇最好的數(shù)據(jù)集劃分方式，也即找到最好的屬性列，顯然需要遍歷屬性列，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

相關(guān)熱詞搜索：信息 增益 機(jī)器