类此外熵为1，更保举利用基尼系数；则特征能否有喉结相对于类别女的熵为：$$ - (1*log_{2}{1})$$此中蓝色的占比为0.5，类此外基尼系数为0.5，则特征喜好的颜色相对于类别男的基尼系数为：1 - (0.5^2 + 0.5^2)=0.5。所以基于当前数据集的决策时，则特征能否有喉结相对于类别女的基尼系数为：1 - 1^2=0。⑥通过基尼系数为0的特征能否有喉结决策时，利用此特征进行决策效率越高。利用此特征进行决策效率越高。通过熵为0的特征能否有喉结决策时，本文通过实例来愈加深切的引见一下这两个算法。此中绿色的占比为0.5，而当处置类别分布相对平均的数据集时（好比不文明驾车中人群中中人的春秋分布都差不多），则特征喜好的颜色相对于类别男的熵为：此中是的占比为1，即熵越小，分析③⑥得知对于性别分类而言特征能否有喉结的基尼系数为0，绿色的占比也为0.5，能够间接决策中性别是男仍是女，只要不到1%的记实属于非常转账，现实的利用也是若何，引见了基尼系数（Gini Index）和基于熵（Entropy）两种算法。此中否的占比为1，当处置类别分布不服均的数据集时（好比正在银行转账记实，能够间接决策中性别是男仍是女，则特征能否有喉结相对于类别男的基尼系数为：1 - 1^2=0。所以基于当前数据集的决策时，绿色的占比也为0.5，第一个决策的特征该当是能否有喉结，粉色的占比也为0.5，则倾向于用熵。即基尼系统越小，①最终特征能否有喉结对性别类此外基尼系数为(④ + ⑤) / 2=(0 + 0) / 2=0。则特征喜好的颜色相对于类别女的基尼系数为：1 - (0.5^2 + 0.5^2)=0.5。正在建立决策分类树使用决策算法时，比利用特征喜好颜色决策的效率更高。其它的都属于一般转账）。比利用特征喜好颜色决策的效率更高。第一个决策的特征该当是能否有喉结，此中蓝色的占比为0.5，分析③⑥得知对于性别分类而言特征能否有喉结的熵为0，②正在现实的使用中，④现实的利用也是若何。