条件熵,信息增益(互信息)与特征选择

2024-05-25 03:08

本文主要是介绍条件熵,信息增益(互信息)与特征选择,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

一定要先搞清楚什么是信息量,什么是信息熵。参考博文:https://blog.csdn.net/u010916338/article/details/91127242

一,什么是信息量?

简言之,就是把信源看做是一个随机变量。消息(信号)就是随机变量的取值,比如a1,a2···an。信息就是这些随机变量的不确程度(发生概率越低,不确定性越大),公式如下。为什么写成这样呢?原因有二。第一:概率和信息量(不确定性)是反比例关系;第二,当事件发生概率为1的时候,信息量为0。

注:信息量描绘的是一个随机变量的取值,a1有a1的信息量,a2有a2的信息量。

即信息量是对某一事件的不确定性的度量。

二,什么是信息熵 ?

接着上面,如何描绘随机变量的所有取值的信息量呢?就是求随机变量的期望。即求信息量的均值。

注:信息熵是对整个随机变量的不确定性的度量。

三,什么是信息增益(互信息)?

3.1  条件熵

先得搞清楚什么是条件熵,公式如下:

H(Y|X)=\sum_{x\in X}p(x)H(Y|X=x) 

直接看公式,摸不到头脑,我们直接引入一个案例,结合案例很容易就理解了。

3.2  案例:哪个特征对QQ用户是否流失影响较大?

数据如下表所示,代表QQ用户是否流失。uin表示用户id;gender表示用户性别;act_info表示用户活跃度;is_lost表示用户是否流失,是标签值。

 

需求:性别和活跃度两个特征,哪个对用户流失影响更大?

数据归纳之后如下表所示,其中positive为正样本(已流失),negative为负样本(未流失)。

 

3.3  计算整体熵:

 整体熵: 

H(Y)=-\frac{5}{15}\log_2( \frac{5}{15})-\frac{10}{15}\log_2( \frac{10}{15})=0.9182

3.4  计算性别特征的条件熵,以及性别特征的信息增益

任意过来一个用户,猜测是已流失还是未流失,设为随机变量Y。

任意过来一个用户是男性或者是女性,设为随机变量X。

任意过来一个用户是男性,设为事件x1;

任意过来一个用户是女性,设为事件x2;

随机变量X的概率空间为: 

\begin{bmatrix} X\\ p(x) \end{bmatrix}=\begin{bmatrix} x_1&x_2\\ \frac{8}{15}&\frac{7}{15} \end{bmatrix}

p(x_1)=\frac{8}{15}\qquad p(x_2)=\frac{7}{15}

(1)男性条件熵:

H(Y|X=x_1)=-\frac{3}{8}\log_2( \frac{3}{8})-\frac{5}{8}\log_2( \frac{5}{8})=0.9543

(2)女性条件熵:

H(Y|X=x_2)=-\frac{2}{7}\log_2( \frac{2}{7})-\frac{5}{7}\log_2( \frac{5}{7})=0.8631

(3)性别条件熵:

H(Y|X)=\sum_{x\in X}p(x)H(Y|X=x)

                =p(x_1)H(Y|X=x_1)+p(x_2)H(Y|X=x_2)

                =\frac{8}{15}\times 0.9543+\frac{7}{15}\times0.8631=0.9118

(4)性别信息增益:

 g(Y,X)=H(Y)-H(Y|X)=0.0064

 3.5  计算活跃度特征的条件熵,以及活跃度特征的信息增益

任意过来一个用户,猜测是已流失还是未流失,设为随机变量Y。

任意过来一个用户活跃度是高,中或者低,设为随机变量X。

任意过来一个用户活跃度高,设为事件x1;

任意过来一个用户活跃度中,设为事件x2;

任意过来一个用户活跃度低,设为事件x3;

随机变量X的概率空间为: 

\bg_white \begin{bmatrix} X\\ p(x) \end{bmatrix}=\begin{bmatrix} x_1&x_2&x_3\\ \frac{6}{15}&\frac{5}{15} &\frac{4}{15}\end{bmatrix}

p(x_1)=\frac{6}{15}\qquad p(x_2)=\frac{5}{15}\qquad p(x_3)=\frac{4}{15}

(1)活跃度高条件熵:

H(Y|X=x_1)=-\frac{0}{6}\log_2( \frac{0}{6})-\frac{6}{6}\log_2( \frac{6}{6})=0

(2)活跃度中条件熵:

H(Y|X=x_2)=-\frac{1}{5}\log_2( \frac{1}{5})-\frac{4}{5}\log_2( \frac{4}{5})=0.7219

(3)活跃度低条件熵:

H(Y|X=x_3)=-\frac{4}{4}\log_2( \frac{4}{4})-\frac{0}{4}\log_2( \frac{0}{4})=0

(4)活跃度条件熵:

H(Y|X)=\sum_{x\in X}p(x)H(Y|X=x)

                =p(x_1)H(Y|X=x_1)+p(x_2)H(Y|X=x_2)+p(x_3)H(Y|X=x_3)

                =\frac{6}{15}\times 0+\frac{6}{15}\times0.7219+\frac{4}{15}\times0=0.2406

(5)活跃度信息增益:

 g(Y,X)=H(Y)-H(Y|X)=0.6776

四,综述 

活跃度的信息增益比性别的信息增益大,也就是说,活跃度对用户流失的影响比性别大。

做特征选择或者数据分析的时候,我们应该重点考察活跃度这个指标。

什么意思?

假如原来没有性别和活跃度这两个维度,后来活跃度这个维度的加入会比性别维度的加入导致整体信息熵提升的更多

参考博文:https://blog.csdn.net/it_beecoder/article/details/79554388

这篇关于条件熵,信息增益(互信息)与特征选择的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1000312

相关文章

Go语言开发实现查询IP信息的MCP服务器

《Go语言开发实现查询IP信息的MCP服务器》随着MCP的快速普及和广泛应用,MCP服务器也层出不穷,本文将详细介绍如何在Go语言中使用go-mcp库来开发一个查询IP信息的MCP... 目录前言mcp-ip-geo 服务器目录结构说明查询 IP 信息功能实现工具实现工具管理查询单个 IP 信息工具的实现服

使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

《使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)》PPT是一种高效的信息展示工具,广泛应用于教育、商务和设计等多个领域,PPT文档中常常包含丰富的图片内容,这些图片不仅提升了... 目录一、引言二、环境与工具三、python 提取PPT背景图片3.1 提取幻灯片背景图片3.2 提取

Java中Switch Case多个条件处理方法举例

《Java中SwitchCase多个条件处理方法举例》Java中switch语句用于根据变量值执行不同代码块,适用于多个条件的处理,:本文主要介绍Java中SwitchCase多个条件处理的相... 目录前言基本语法处理多个条件示例1:合并相同代码的多个case示例2:通过字符串合并多个case进阶用法使用

Linux下如何使用C++获取硬件信息

《Linux下如何使用C++获取硬件信息》这篇文章主要为大家详细介绍了如何使用C++实现获取CPU,主板,磁盘,BIOS信息等硬件信息,文中的示例代码讲解详细,感兴趣的小伙伴可以了解下... 目录方法获取CPU信息:读取"/proc/cpuinfo"文件获取磁盘信息:读取"/proc/diskstats"文

SpringBoot条件注解核心作用与使用场景详解

《SpringBoot条件注解核心作用与使用场景详解》SpringBoot的条件注解为开发者提供了强大的动态配置能力,理解其原理和适用场景是构建灵活、可扩展应用的关键,本文将系统梳理所有常用的条件注... 目录引言一、条件注解的核心机制二、SpringBoot内置条件注解详解1、@ConditionalOn

SpringIntegration消息路由之Router的条件路由与过滤功能

《SpringIntegration消息路由之Router的条件路由与过滤功能》本文详细介绍了Router的基础概念、条件路由实现、基于消息头的路由、动态路由与路由表、消息过滤与选择性路由以及错误处理... 目录引言一、Router基础概念二、条件路由实现三、基于消息头的路由四、动态路由与路由表五、消息过滤

一文详解SQL Server如何跟踪自动统计信息更新

《一文详解SQLServer如何跟踪自动统计信息更新》SQLServer数据库中,我们都清楚统计信息对于优化器来说非常重要,所以本文就来和大家简单聊一聊SQLServer如何跟踪自动统计信息更新吧... SQL Server数据库中,我们都清楚统计信息对于优化器来说非常重要。一般情况下,我们会开启"自动更新

Python如何获取域名的SSL证书信息和到期时间

《Python如何获取域名的SSL证书信息和到期时间》在当今互联网时代,SSL证书的重要性不言而喻,它不仅为用户提供了安全的连接,还能提高网站的搜索引擎排名,那我们怎么才能通过Python获取域名的S... 目录了解SSL证书的基本概念使用python库来抓取SSL证书信息安装必要的库编写获取SSL证书信息

Win32下C++实现快速获取硬盘分区信息

《Win32下C++实现快速获取硬盘分区信息》这篇文章主要为大家详细介绍了Win32下C++如何实现快速获取硬盘分区信息,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 实现代码CDiskDriveUtils.h#pragma once #include <wtypesbase

Nginx中location实现多条件匹配的方法详解

《Nginx中location实现多条件匹配的方法详解》在Nginx中,location指令用于匹配请求的URI,虽然location本身是基于单一匹配规则的,但可以通过多种方式实现多个条件的匹配逻辑... 目录1. 概述2. 实现多条件匹配的方式2.1 使用多个 location 块2.2 使用正则表达式