AI机器学习-信息熵，条件熵，信息增益

信息熵

信息熵是系统有序化程度的一个度量。比如说，我们要搞清楚一件非常非常不确定的事，或是我们一无所知的事情，就需要了解大量的信息。相反，如果我们对某件事已经有了较多的了解，我们不需要太多的信息就能把它搞清楚。

所以，从这个角度，我们可以认为，信息量的度量就等于不确定性的多少。一个系统越是有序，信息熵就越低；反之，一个系统越是混乱，信息熵就越高。1948 年，香农提出了“信息熵”(shāng) 的概念，所以信息熵也叫香农熵,假设在一个集合D中第i类样本所占的比例为pi（i=1,2,3…n），则D的信息熵可表示为：

条件熵

现在我们假设将训练数据D按属性A进行划分，假设属性A有v个可能的取值，则按A属性进行分裂出的v个子集（即树中的v个分支），每个可能取值集合为D_j，则A属性的条件熵计算方法为（|D_j|和|D|表示集合中元素的个数）：

信息增益

信息熵减去条件熵，表示此条件对于信息熵减少的程度，即可以对信息的判断减少多少不确定性，数值越大，表示某个条件熵对信息熵减少程序越大，也就是说，这个属性对于信息的判断起到的作用越大。属性A的信息增益的计算公式为：

关注微信公众号“挨踢学霸”，获取更多精彩文章