我正在使用数字功能，我想在sklearn中使用决策树分类器来查找要素重要性。
因此，如果我选择用于分裂的熵标准，则使用信息增益作为分割数据的杂质的度量。我猜，这相当于Fayyad＆amp;伊朗二元离散化。
最后，分类器返回一个名为＆＃34; feature importances＆＃34;的属性。
功能重要性。功能越高，功能越重要。 特征的重要性计算为（标准化）总计 减少该特征带来的标准。它也是众所周知的 作为基尼的重要性[R195]。
我的问题是，即使我使用信息获取来找到最佳分割，但是，＃34;功能重要性是什么？＆＃34;返回用熵准则找到的分裂中测量的基尼重要性的值？
答案 0 :(得分：0)
是的！有一种迭代方法可以计算不同分裂点的基尼重要性，一旦达到终止标准（最小描述长度），就会返回最佳分裂点。您可以在此处找到有关玩具示例的更多信息：http://clear-lines.com/blog/post/Discretizing-a-continuous-variable-using-Entropy.aspx