
统计机器学习
|
209
信息熵的计算公式是:
22
(A) log ( ) (1 ) log (1 )I pp p p=− −− −
从图
6-5
可知,
Gini
不纯度(缩放后的)和信息熵非常相似,对于中等和较高的准确率,
信息熵可以给出较高的不纯度分数。
图 6-5:Gini 不纯度与信息熵
Gini
系数
不要将
Gini
不纯度与
Gini
系数
相混淆。它们表示的概念类似,但
Gini
系数
只适用于二元分类问题,而且与
AUC
这种度量方式相关(参见
5.4.5
节
)。
前面讨论过的分割算法中使用了不纯度。对于每次分割数据得到的每个分区都要计算不纯
度。计算时会使用加权平均,最终选择能得到最小的加权平均结果的分割方式(每个阶段
都是这样)。
6.2.4
让树停止生长
树原本是用来识别“大”规则的,即识别出数据之间真实而可靠的关系,但随着树的不断
增长,分割规则也变得越来越细致,这时树的功能就逐渐发生了转变,只能识别“微”规
则了,而这种规则只能反映出数据中的噪声。一棵充分生长的树会分出所有的叶子节点,
因此它对训练数据的分类准确度可以达到
100%
。当然
,这种准确度只是一种表象,其实