京公网安备 11010802034615号
经营许可证编号:京B2-20210330
决策树是一种常用的机器学习算法,用于分类和回归问题。在决策树构建的过程中,熵和基尼不纯度是两个常用的判别条件,用于选择最优的分裂点。虽然熵和基尼不纯度都可以表示样本集合的混乱程度,但是为什么在决策树中经常使用熵而不是基尼不纯度呢?下面我将详细阐述这个问题。
首先,让我们来看一下熵和基尼不纯度的定义。熵是信息论中一个重要的概念,在信息学、统计学、通信工程等领域得到了广泛应用。它反映了一个随机变量或者信源的不确定性。给定一个样本集合D,其熵可以用以下公式表示:
$$ Ent(D) = -sum_{k=1}^{|mathcal{Y}|}p_klog_2p_k $$
其中,$mathcal{Y}$是样本集合D中所有可能的类别,$p_k$是样本属于类别$k$的概率。可以看出,当样本集合的纯度越高,即只包含同一类别的样本时,其熵越低,反之亦然。
基尼不纯度是衡量节点纯度的另一种指标,它是在决策树算法中比较常用的一个量。给定一个样本集合D,其基尼不纯度可以用以下公式表示:
$$ Gini(D) = sum_{k=1}^{|mathcal{Y}|}sum_{k'neq k}p_kp_{k'} $$
其中,$mathcal{Y}$是样本集合D中所有可能的类别,$p_k$是样本属于类别$k$的概率。可以看出,当样本集合的纯度越高,即只包含同一类别的样本时,其基尼不纯度越低,反之亦然。
虽然熵和基尼不纯度都可以用来衡量节点的纯度,但是它们之间存在一些差异,这些差异也导致了它们在决策树中的应用有所区别。
首先,从计算复杂度上来说,熵的计算涉及到对每个类别的概率进行求对数运算,而对数运算是比较耗时的操作。相比之下,基尼不纯度的计算只涉及乘法和加法,计算复杂度较低。因此,在需要快速构建决策树的场景下,选择基尼不纯度作为判别条件更为合适。
其次,从分类效果上来说,熵在处理离散属性时具有天然的优势。因为熵是基于信息论的概念,它可以很好地处理离散属性的取值问题。例如,对于颜色属性,可以将其取值范围划分成"红、黄、蓝"等几个离散值,然后计算每个值出现的概率,从而得到该属性的熵。相比之下,基尼不纯度更适合处理连续属性,因为连续属性的取值范围是无限的,难以进行有效的分割。此外,熵在处理类别较多的数据集时也具有优势,因为它能够更好地反映样本集合的混乱程度。
最后,考虑到决
最后,考虑到决策树的构建过程是一个递归的过程,如果在每个节点都使用基尼不纯度作为判别条件,可能会导致决策树过于复杂。相比之下,使用熵作为判别条件可以更好地控制决策树的生长,因为熵能够很好地反映节点样本集合的混乱程度,当节点中的样本越来越趋向于同一类别时,熵也会随之降低。
综上所述,在选择判别条件时,需要考虑到计算复杂度、分类效果以及决策树的复杂度控制等因素。虽然熵和基尼不纯度都可以用来衡量节点的纯度,但是它们各有优缺点,在具体应用中需要根据实际情况进行选择。对于离散属性、多分类问题或者需要控制决策树复杂度的场景,使用熵作为判别条件更为合适;而对于连续属性或者需要快速构建决策树的场景,选择基尼不纯度作为判别条件更为合适。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师 出品 作者:李诗怡 多表进阶与 DDL/DML 连接 · 子查询 · 合并 · 建表与书写规范 ” 三、DQL 多表进阶:连 ...
2026-11-20 前面讲了怎么搭指标体系,但很多团队卡在最后一步:高层定了一个漂亮的目标,往下一层层写进周报,最后却落不到任何人的具体 ...
2026-11-20 很多团队做数据分析的现状是:老板要一个数就拉一个数,周报里堆满了 GMV、DAU、转化率,却没人说得清这些数之间是什么关系 ...
2026-11-20这周你大概又经历过一次:报表自己跑了,SQL 让 AI 写了,连周报初稿都不用自己动手。你一边松口气,一边心里发慌——那我还剩什 ...
2026-11-20 做产品立项、写商业计划书、规划市场进入策略时,"市场调研"和"竞品分析"几乎总是被绑在一起说,甚至被当成同一件事。但实际 ...
2026-11-19 在做数据治理、搭数据中台或者梳理数据库表结构时,"主数据"和"参考数据"是被提及频率最高、也最容易被混为一谈的两个概念。 ...
2026-11-19“纲举目张,执本末从。”若想在数据分析领域有所收获,一套合适的学习教材至关重要。一套优质且契合需求的学习教材无疑是那关键 ...
2026-11-19一、什么是本体 在知识图谱和语义建模里,本体(Ontology)是对一个领域内概念、属性、关系和实例的形式化描述。它回答三个问题 ...
2026-11-18一、K-S 曲线解决什么问题 风控评分卡、客户流失模型、欺诈识别模型建好之后,最核心的一个问题是:模型能不能把"会变坏"和"不会 ...
2026-11-18核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-18核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-18产品上线之后,真正回答"用户是谁、想要什么、卡在哪里"的,往往不是调研问卷,而是用户留下的一条条行为记录。点击、浏览、停留 ...
2026-11-17在日常数据库开发与报表查询中,日期格式几乎是最高频的"打交道"对象:页面上要展示 yyyy-MM-dd,接口要返回 ISO 8601 字符串, ...
2026-11-17核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-17一、销售行业为什么离不开大数据分析 销售行业的本质是"把合适的产品,在合适的时间,卖给合适的人,并持续复购"。传统销售靠经 ...
2026-11-16一、什么是频数分布 拿到一批连续数据(员工年龄、商品价格、考试分数、订单金额),最想先看的往往不是平均值,而是数据集中在 ...
2026-11-16教育部办公厅关于成立全国数据职业教育教学指导委员会(2026—2030年)的通知 教职成厅函〔2026〕25号 各省、自治区、直辖市教 ...
2026-11-16CDA数据分析师 出品 作者:李诗怡 基础与单表查询 四大类语言 · 数据库基础 · DQL 单表查询 ” 一、SQL 四大类语言与数据 ...
2026-11-13核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-13一、问题从哪来 财务分析里算增长率,常规公式所有人都会写: 增长率本年数上年数上年数 这个公式在"上年为正"时完全成立。但一 ...
2026-11-12