力博彩票网站开发网站推广软件免费版

公式 7-4 是条件熵的表达式：
$$E(Y|X)=\sum _{i=1}^{m}p(X=x_i)E(Y|X=x_i)$$

这个公式表示的是条件熵，它是衡量在已知某一特征 $X$ 的情况下，随机变量 $Y$ 的不确定性（熵）。条件熵 $E(Y|X)$ 的含义是：在已知 $X$ 的值的情况下， $Y$ 的不确定性有多大。它通过对所有可能的 $X$ 的取值的熵进行加权平均来计算。

公式的详细解释：

1. $E(Y|X)$：这是条件熵，表示在给定 $X$ 的条件下， $Y$ 的不确定性。它衡量了已知 $X$ 的值后， $Y$ 仍然有多少不确定性。如果 $X$ 对 $Y$ 的影响很大，那么条件熵会很低；如果 $X$ 无法有效区分 $Y$ 的类别，那么条件熵会较高。

2. ${\sum }_{i=1}^m$：这个符号表示对 $X$ 的所有可能取值进行求和。即我们对 $X$ 的每一个取值 $x_i$ 都要计算相应的条件熵并加权平均。$m$ 是随机变量 $X$ 的可能取值数量。

3. $p(X=x_i)$：这是边缘概率，表示 $X$ 取某个值 $x_i$ 的概率。它表示了在数据集中 $X$ 取值为 $x_i$ 的样本所占比例。

4. $E(Y|X=x_i)$：这是在 $X$ 已知为 $x_i$ 的条件下， $Y$ 的熵，即条件熵。它衡量了在 $X=x_i$ 的条件下， $Y$ 的不确定性。通常，条件熵使用公式 $E(Y|X=x_i)=-{\sum }_{j=1}^{n}p(Y=y_j|X=x_i)\log p(Y=y_j|X=x_i)$ 来计算，其中 $p(Y=y_j|X=x_i)$ 是条件概率，表示在 $X=x_i$ 时 $Y$ 为 $y_j$ 的概率。

直观理解条件熵：

• 条件熵 $E(Y|X)$ 表示在已知 $X$ 的情况下， $Y$ 还有多少不确定性。如果 $X$ 能完全决定 $Y$ 的取值，那么条件熵 $E(Y|X)$ 为 0，表示没有不确定性（即 $X$ 和 $Y$ 完全相关）。如果 $X$ 和 $Y$ 完全无关，则条件熵 $E(Y|X)$ 等于 $Y$ 的熵 $E(Y)$，即条件熵没有帮助减少不确定性。

• 条件熵是信息增益的基础：当我们使用某个特征 $X$ 来划分数据时，条件熵表示在这个划分下，目标变量 $Y$ 的不确定性。如果某个划分显著减少了不确定性（即条件熵小），说明这个特征 $X$ 是一个很好的分类依据。

举例说明：

假设我们有一个简单的二元分类问题， $Y$ 表示分类标签， $X$ 表示一个特征。我们有以下数据集：

• 数据集包含 10 个样本，其中 6 个是类别 1，4 个是类别 2。
• 特征 $X$ 可以取 2 个值：$x_1$ 和 $x_2$。
  • 当 $X=x_1$ 时，有 4 个样本，其中 3 个是类别 1，1 个是类别 2。
  • 当 $X=x_2$ 时，有 6 个样本，其中 3 个是类别 1，3 个是类别 2。

1. 计算边缘概率：

• $p(X=x_1)=\frac{4}{10}=0.4$
• $p(X=x_2)=\frac{6}{10}=0.6$

2. 计算条件熵 $E(Y|X=x_1)$ 和 $E(Y|X=x_2)$：

条件熵的计算公式为：
$$E(Y|X=x_i)=-\sum _{j=1}^{n}p(Y=y_j|X=x_i)\log p(Y=y_j|X=x_i)$$

• 当 $X=x_1$ 时：

  • 类别 1 的条件概率：$p(Y=1|X=x_1)=\frac{3}{4}=0.75$
  • 类别 2 的条件概率：$p(Y=2|X=x_1)=\frac{1}{4}=0.25$

  条件熵为：
  $$E(Y|X=x_1)=-(0.75{\log }_{2}0.75+0.25{\log }_{2}0.25)$$

  我们计算各项的对数值：
  $${\log }_{2}0.75\approx -0.415,{\log }_{2}0.25=-2$$

  代入公式：
  $$E(Y|X=x_1)=-(0.75\times -0.415+0.25\times -2)=0.31125+0.5=0.81125$$

• 当 $X=x_2$ 时：

  • 类别 1 的条件概率：$p(Y=1|X=x_2)=\frac{3}{6}=0.5$
  • 类别 2 的条件概率：$p(Y=2|X=x_2)=\frac{3}{6}=0.5$

  条件熵为：
  $$E(Y|X=x_2)=-(0.5{\log }_{2}0.5+0.5{\log }_{2}0.5)$$

  因为 ${\log }_{2}0.5=-1$，所以：
  $$E(Y|X=x_2)=-(0.5\times -1+0.5\times -1)=1$$

3. 计算条件熵 $E(Y|X)$：

现在我们将两个条件熵按边缘概率加权求和：
$$E(Y|X)=p(X=x_1)E(Y|X=x_1)+p(X=x_2)E(Y|X=x_2)$$

代入已知数值：
$$E(Y|X)=0.4\times 0.81125+0.6\times 1=0.3245+0.6=0.9245$$

结论：

• 条件熵 $E(Y|X)=0.9245$ 表示，在已知特征 $X$ 的情况下，目标变量 $Y$ 仍然具有约 0.9245 的不确定性。
• 条件熵帮助我们理解特征 $X$ 对目标变量 $Y$ 的解释能力。如果某个特征的条件熵很低，说明这个特征可以很好地帮助分类决策。如果条件熵很高，则说明该特征对目标变量的区分能力有限。

总结：

• 公式 7-4 计算了条件熵，它衡量了在已知特征 $X$ 的情况下，目标变量 $Y$ 的不确定性。
• 条件熵是决策树中进行特征选择的重要指标，通过最小化条件熵，我们可以选择出能够最好地分类数据的特征。
• 条件熵越小，表示特征 $X$ 能很好地解释目标变量 $Y$ 的分类。