越在根节点（父节点）的信息越重要，也就是其信息增益越大，信息增益的大小可以用信息熵公式进行计算：
举个可能不够恰当的例子。我们目前有如下数据，分类结果（叶节点）为 下雨 / 晴天：
分类结果的信息熵（下雨 或 晴天 这个数据 的信息熵）：
-(1/2 * log(1/2) + 1/2 * log(1/2)) = 0.301（下雨 晴天 各6天，概率p均为1/2）
太阳（父节点）的有无（条件）对分类结果（下雨、晴天）的影响:
有太阳： -(1*log(1)+0*log0))=0 （有太阳的5天都是晴天）
无太阳： -(1/7 * log(1/7)+6/7 * log(6/7)) = 0.178 （没他要的7天里，1天是晴天，6天是下雨）
我们需要计算这个因素（太阳）重要与否，需要用到条件熵，公式如下：
条件熵: 5/12 * 0 + 7/12 * 0.178 = 0.103（一共12天，其中有太阳的5天的信息熵为0，无太阳的7天的信息熵为0.178）
参考文献：
百面机器学习P61-71
https://baike.baidu.com/item/%E4%BF%A1%E6%81%AF%E7%86%B5/7302318