假设某数据集的原始熵值为0.7， 已知某属性的信息增益为0.2，那么利用该属性进行划分后数据集的熵值为：
举一反三
- 假设某数据集的原始熵值为0.7,已知某属性的信息增益为0.2,那么利用该属性进行划分后数据集的熵值为 A: 0.9 B: 0.7 C: 0.5 D: 0.2
- 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
- 如果类别分布的信息熵是0.301，给定属性A的条件熵为0.2007，给定属性B的条件熵为0.1495，那么下列说法正确的是？（ ） A: 属性A的信息增益小于属性B B: 属性B带来的信息多于属性A C: 属性A带来的信息多于属性B D: 属性A的信息增益大于属性B
- 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
- 信息增益算法有误的一步是() A: 输入:训练数据集D和特征A B: (1)计算数据集D的经验熵H(D) C: (2)计算特征A对数据集 D: 的经验熵H(A)<br>D 输出信息增益g(D,A)