一、基尼指数的概念
基尼指数（Gini不纯度）表示在样本集合中一个随机选中的样本被分错的概率。
注意：Gini指数越小表示集合中被选中的样本被参错的概率越小，也就是说集合的纯度越高，反之，集合越不纯。当集合中所有样本为一个类时，基尼指数为0.
二、基尼系数的计算公式
基尼指数的计算公式为：
三、计算示例
我们分别来计算一下决策树中各个节点基尼系数：
以下excel表格记录了Gini系数的计算过程。
我们可以看到，GoodBloodCircle的基尼系数是最小的，也就是最不容易犯错误，因此我们应该把这个节点作为决策树的根节点。在机器学习中，CART分类树算法使用基尼系数来代替信息增益比，基尼系数代表了模型的不纯度，基尼系数越小，不纯度越低，特征越好。这和信息增益（比）相反。
最后
以上就是无聊汉堡最近收集整理的关于基尼系数（Gini Impurity）的理解和计算一、基尼指数的概念二、基尼系数的计算公式三、计算示例的全部内容，更多相关基尼系数（Gini内容请搜索靠谱客的其他文章。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复