在文本分类中利用信息增益进行特征提取
信息增益体现了特征的重要性，信息增益越大说明特征越重要
假设数据中有k类：
每类出现的概率是：
各类的信息熵计算公式：
对某个词汇word需要计算word在所有类别中出现的概率：
就是：出现word的文件数 除以总文件数
word不出现的概率：
就是没有出现word的文件数 除以总文件数
条件熵的计算：
这里我们用到了T表示word这个特征
其中
表示：出现word的文件的信息熵
计算方式：
其中：
表示出现word的情况下是Ci类的概率，计算方式：Ci类中出现word的文件数 除以 总的出现word的文件数
表示不出现word的条件熵
计算方式
其中
表示没有出现word的情况下是Ci类的概率，计算方式：Ci类中没有出现word的次数 除以 总类中没有出现word的次数
总的信息增益计算公式
信息熵体现了信息的不确定程度，熵越大表示特征越不稳定，对于此次的分类，越大表示类别之间的数据差别越大
条件熵体现了根据该特征分类后的不确定程度，越小说明分类后越稳定
信息增益=信息熵-条件熵，越大说明熵的变化越大，熵的变化越大越有利于分类
网友评论