决策树学习-计算数据集的信息熵

 #计算信息熵
def calEntro(dataset):
    dataset = np.array(dataset)
    data_len = len(dataset)
    #labelCount记录各类样本数据的数量
    labelCount = {}

    for row in dataset:
        cur_label = row[-1]
        if cur_label not in labelCount.keys():
            labelCount[cur_label] = 0
        labelCount[cur_label] += 1

    result = 0
    for key in labelCount.keys():
        prob = labelCount[key]/data_len
        result -= prob*math.log2(prob)
    return result

这段代码是用来计算数据集的信息熵的函数。信息熵是用来衡量数据集的不确定性，即数据集中包含的信息量。以下是对代码的解释：

1. def calEntro(dataset):：定义了一个名为 calEntro 的函数，该函数接受一个数据集 dataset 作为输入参数。

2. dataset = np.array(dataset)：将输入的数据集转换为 NumPy 数组，以方便处理。

3. data_len = len(dataset)：获取数据集的长度，即数据集中样本的数量。

4. labelCount = {}：初始化一个空字典 labelCount，用于记录数据集中各类别样本的数量。

5. 遍历数据集中的每一行：

   • cur_label = row[-1]：获取当前样本的标签值（假设标签值在每行的最后一个位置）。
   • if cur_label not in labelCount.keys(): labelCount[cur_label] = 0：如果当前标签值不在 labelCount 字典的键中，则将其初始化为 0。
   • labelCount[cur_label] += 1：统计当前标签值在数据集中出现的次数。

6. 计算信息熵：

   • result = 0：初始化信息熵的结果为 0。
   • 遍历 labelCount 字典中的每个键（类别）：
     • prob = labelCount[key]/data_len：计算当前类别在数据集中的概率。
     • result -= prob*math.log2(prob)：根据信息熵的公式，累加计算信息熵的值，其中 math.log2(prob) 表示以2为底的对数运算。
   • 最终返回计算得到的信息熵值 result。

总体来说，这段代码的功能是通过遍历数据集中的标签值，计算数据集的信息熵，并返回信息熵的值。信息熵值越高，表示数据集的不确定性越大。