Question

我目前正在使用'InfoGainAttributeEval'进行功能选择。我想知道该方法会发生什么。我找到了以下内容。

通过测量关于班级的信息收益来评估属性的价值。

InfoGain（Class，Attribute）= H（Class） - H（Class | Attribute）。

由于我是这个领域的新手，我不明白它是什么。有人可以解释一下它是如何工作的吗？ :)与'GainRationAttributeEval'

有什么区别

Answer 1

InfoGainAttributeEval（和GainRatioAttributeEval）都用于功能选择任务。

InfoGainAttributeEval基本上做的是测量每个特征如何有助于降低整体熵。

让我们举个例子。假设我们有这个数据集：

------------------------------------------
temperature | wind | class
high        | low  | play
low         | low  | play
high        | low  | play
low         | high | cancelled
low         | low  | play
high        | high | canceled
high        | low  | play

熵，H（X），定义如下：

H(X) = -sum(Pi*log2(Pi))

，Pi是数据集中类i的概率，log2是基数2的对数（使用基数 e 的Weka自然对数，但通常我们采用log2）。熵基本上测量＆＃34;杂质＆＃34; 的程度。最接近0的是，数据集中的杂质越少。

因此，一个好的属性是包含最多信息的属性，即减少最多的熵。 Weka的InfoGainAttributeEval方法是一种准确评估它的方法。

现在，我们的例子的熵是： H（Class）= - （5/7 * log2（5/7）+2 / 7 * log（2/7））= 0,863。

让我们举例说明温度属性所携带的信息量。

InfoGain（Class，Temperature）= H（Class） - H（Class | Temperature）。

要获得H（Class | Temperature），我们需要根据此属性拆分数据集。

Dataset / \ / \ / Temp° \ / \ / \ / \ high low temperature | wind | class temperature|wind|class high | low | play low | low|play high | low | play low | high|cancelled high | high | cancelled low | low |play high | low | play

这里的每个分支都有自己的熵。我们需要先计算每个分裂的熵。

H(left_split) = -(3/4log(3/4)+1/4log(1/4) = 0,811 H(right_split) = -(1/3log(1/3)+2/3log(2/3) = 0,918
然后，H（Class | Temperature）等于两个子熵的总和，加权来自父数据集的实例的比例。简而言之：

H(Class | Temperature) = 4/7*H(left_split) + 3/7*H(right_split).

然后你可以用一切来计算InfoGain。在这个例子中，它是0.06位。这意味着温度特征仅将全局熵减少0.06位，特征对减少熵的贡献（= 信息增益）是公平的小。

这很明显地看着数据集中的实例，因为我们可以乍看之下，与风特征不同，温度对最终类别的影响不大。

对于 GainRatioAttributeEval ，它是InfoGain的增强版，具有标准化分数。

希望有所帮助！

部分回答的来源：Anuj Sharma和Shubhamoy Dey。文章：情感分析的特征选择方法和情感词典的表现研究。 IJCA针对HPC应用的高级计算和通信技术特刊ACCTHPCA（3）：2012年7月15 - 20日。

如何在weka特征选择（过滤方法）中的'InfoGainAttributeEval'中进行选择

1 个答案: