ID3算法中,关于使用某个描述属性所能获得的"信息增益”，以下说法正确的是
A: 信息增益=使用该描述属性划分后得到的熵值
B: 信息增益=分类期望-使用该描述属性划分后得到的熵值
C: 信息增益=该描述属性划分后得到的子集数量
D: 信息增益=分类期望-该描述属性划分后得到的子集数量
A: 信息增益=使用该描述属性划分后得到的熵值
B: 信息增益=分类期望-使用该描述属性划分后得到的熵值
C: 信息增益=该描述属性划分后得到的子集数量
D: 信息增益=分类期望-该描述属性划分后得到的子集数量
举一反三
- ID3决策树算法以()为准则来选择划分属性 A: 信息增益 B: 信息熵 C: 基尼系数 D: 信息增益率
- 决策树中一般采用“信息增益”对属性进行排序，以下关于“信息增益”描述正确的是（ ）。 A: 如果一个属性执行后，使得数据集上的信息增益越大，该属性越优先执行 B: 如果一个属性执行后，使得数据集上的信息增益越小，该属性越优先执行 C: “信息增益”对属性排序的差异不影响决策树的结果 D: 以上都不对
- 决策树学习算法中，属性a的信息增益越大，则使用该属性进行划分所获得的“纯度提升”越大。（ ）
- ID3决策树学习算法以（ ）为准则来选择划分属性。 A: 信息增益 B: 基尼系数 C: 信息熵 D: 增益率
- 下列关于C4.5算法的描述不正确的是()。 A: C4.5算法与ID3算法的总体思路是类似的 B: C4.5算法使用信息增益做为选择属性的度量标准 C: C4.5算法使用信息增益率做为选择属性的度量标准 D: 信息增益相同的属性，SplitInformation值越大，信息增益率越小