我们为什么需要信息增益比，而不是信息增益？

我们为什么需要信息增益比，而不是信息增益？

表一 满足什么情况才去玩高尔夫 [1]

Day	Temperatrue	Outlook	Humidity	Windy	PlayGolf?
07-05	hot	sunny	high	false	no
07-06	hot	sunny	high	true	no
07-07	hot	overcast	high	false	yes
07-09	cool	rain	normal	false	yes
07-10	cool	overcast	normal	true	yes
07-12	mild	sunny	high	false	no
07-14	cool	sunny	normal	false	yes
07-15	mild	rain	normal	false	yes
07-20	mild	sunny	normal	true	yes
07-21	mild	overcast	high	true	yes
07-22	hot	overcast	normal	false	yes
07-23	mild	sunny	high	true	no
07-26	cool	sunny	normal	true	no
07-30	mild	sunny	high	false	yes

决策树是机器学习中的经典算法，分别由三个经典算法实现：ID3，C4.5，CARTID3，C4.5，CART，这三个算法最明显的区别就是对于特征选择的策略不同，不过目的只有一个：使当前数据集的混乱程度降低。具体来说，ID3ID3使用的信息增益，C4.5C4.5使用的信息增益比，CARTCART使用的GiniGini指数（基尼指数）

对于ID3ID3和C4.5C4.5的信息增益和信息增益比有什么区别呢，为什么放着信息增益不用，又要计算一个gainratiogain ratio呢？这就是下面的内容要讨论的。

讨论之前先来几个公式压压惊。

在信息论与概率统计中，熵（entropy）是表示随机变量不确定性的度量[2]。设X的概率分布为 P(X=Xi)=pi,i=1,2,...,nP(X=X_i)=p_i , i=1,2,...,n

则随机变量XX 的熵定义为H(X)=−∑i=1npilogpiH(X)=-\sum _{i=1}^n p_i log p_i

其实公式看起来挺吓人的，但是计算的时候很简单。拿表一作为计算的例子，假设p1=Num(no)/(Num(no)+Num(yes))p_1=Num(no)/(Num(no)+Num(yes)),p2=Num(yes)/(Num(no)+Num(yes)) p_2=Num(yes)/(Num(no)+Num(yes)) 那么H(D)=−514log514−914log914=0.9403H(D)= -{5\over14}log {5\over14} - {9\over14}log {9\over14} =0.9403

条件熵定义为H(D|A)=∑i=1npiH(Y|A=ai)H(D|A)=\sum_{i=1}^np_iH(Y|A=a_i)

条件熵在这里指的就是特征AA对训练数据集DD经验条件熵，再举一个例子，假如把Outlook作为分隔样本的特征的话，那么

E(Outlook=sunny)=−25log25−35log35=0.971E(Outlook=sunny)=-{2\over5}log {2\over5} - {3\over5}log {3\over5} =0.971 E(Outlook=overcast)=−1log1−0log0=0E(Outlook=overcast)=-1log {1} - {0}log0 =0 E(Outlook=rainy)=−35log35−25log25=0.971E(Outlook=rainy)=-{3\over5}log {3\over5} - {2\over5}log {2\over5} =0.971

所以H(D|A)=514⋅0.971+414⋅0+514⋅0.971=0.693H(D|A) = {5\over14}\cdot0.971+{4\over14}\cdot0+{5\over14}\cdot0.971=0.693

得到了熵和条件熵，那么信息增益就好求了，公式如下g(D,A)=H(D)−H(D|A)g(D,A)=H(D)-H(D|A)

所以，g(D,Outlook)=0.9403−0.693g(D,Outlook)=0.9403-0.693，以此类推，可以求得g(D,Temperatrue)g(D,Temperatrue) g(D,Humidity)g(D, Humidity) g(D,Windy)g(D, Windy)，信息增益越大说明该特征对于减少样本的不确定性程度的能力越大，也就代表这个特征越好。这种选择特征的思路就是ID3算法选择特征的核心思想。

本来ID3ID3算法计算信息增益好好的，但是C4.5C4.5一定要计算信息增益比(gainratiogain ratio)这是为什么呢？

还是以表一为例，假如我们想用Day来做为特征(当然实际上一般人也不会傻到用Day用做特征)，显然，每一天都可以将样本分开，也就是形成了一颗叶子数量为14，深度只有两层的树。这种样本分隔的结果就是计算出来的H(D|Day)=0H(D|Day)=0,那么g(D,Day)=0.9403g(D,Day)=0.9403, 这特征可真是够“好”的！不过显然这种特征对于样本的分隔没有任何意义。类似的情况还有人们的身份证号、信用卡号、学号等等特征。

那么导致这样的偏差的原因是什么呢？从上面的例子应该能够感受出来，原因就是该特征可以选取的值过多。解决办法自然就想到了如何能够对树分支过多的情况进行惩罚，这样就引入了下面的公式，属性AA的内部信息（Intrinsic Information of an Attribute）：IntI(D,A)=∑i|Di||D|log(|Di||D|)IntI(D,A)=\sum_i{|D_i|\over|D|}log({|D_i|\over|D|}) 这样对于天气来说IntI(Day)=14⋅(−114⋅log(114))=3.807IntI(Day)=14\cdot(-{1\over14}\cdot log({1\over14}))=3.807

这就是针对分支数目的惩罚项，

这样信息增益比公式就出来了：gr(D|A)=g(D)−g(D|A)IntI(D,A)g_r(D|A)={g(D)-g(D|A)\over IntI(D,A)}

总结上面的公式，计算得到下表：

OutLook	Temperatrue
Gain:0.940-0.693 = 0.247	Gain:0.940-0.911 = 0.029
Gain ratio: 0.245/1.577 = 0.157	Gain ratio:0.029/1.557 = 0.019

Humidity	Windy
Gain:0.940-0.788 = 0.152	Gain:0.940-0.911 = 0.029
Gain ratio: 0.152/1.000 = 0.152	Gain ratio:0.048/0.985 = 0.049

Day
Gain ratio:0.940/3.807 = 0.246

然而。。。最终还是DayDay的特征优势最大。。。Orz

不过虽然这样，信息增益率还是要比信息增益可靠的多的！另外也可以看出，对特征的筛选也是非常重要的步骤，可以减少信息增益率失效的几率。

[1] http://www.ke.tu-darmstadt.de/lehre/archiv/ws0809/mldm/dt.pdf

[2] 李航. 统计学习方法.