PANDUAN Teknikal

Kekotoran Gini

Kekotoran gini mengukur tahap campuran label kelas dalam nod pokok keputusan, dengan sifar menunjukkan bahawa setiap contoh adalah milik satu kelas.

Dengar panduan iniAI-diceritakan · ~3 min

Pada halaman ini4 minit membaca
  1. Gambaran keseluruhan
  2. Menyelam dalam
  3. Pelaksanaan Dunia Sebenar
  4. Masa Depan Kekotoran Gini
  5. Mempraktikkannya
  6. Teruskan Meneroka
  7. Soalan lazim

Gambaran keseluruhan

Pengelas CART menggunakan pengurangan kekotoran yang dijangkakan daripada pemisahan calon untuk memilih partition, tetapi skor adalah kriteria pemisahan tempatan dan bukannya ukuran lengkap kualiti model.

Menyelam dalam

Decision-tree classifiers recursively divide data into regions. At each candidate split, the tree needs a criterion for how well the resulting child nodes separate class labels. Gini impurity for a node is 1 minus the sum of squared class proportions. For classes with proportions p_k, G = 1 - sum(p_k squared). A pure node has one proportion equal to one and all others zero, so G is zero. In a binary node with balanced proportions 0.5 and 0.5, G is 0.5, the maximum for two classes. For a hypothetical node with 8 positive and 2 negative cases, proportions are 0.8 and 0.2. The calculation is 1 - (0.64 + 0.04) = 0.32. This score can be interpreted as the probability of misclassification if a label is assigned by randomly drawing according to the node's class proportions, though a trained tree normally predicts the majority class. CART evaluates candidate splits by the weighted average impurity in the children, weighting each by its share of the parent observations. The impurity decrease is parent impurity minus this weighted child impurity. Thus an empty-looking or very small child does not automatically make a split useful. Tree constraints such as minimum leaf size, depth and pruning also affect the final model. Gini is computationally convenient because it avoids logarithms, while entropy uses -sum(p log p) and may rank candidate splits similarly but not necessarily identically. Gini impurity is not the same as the dataset's overall class imbalance, a probability that the model's prediction is wrong, or an evaluation score on held-out data. It is calculated locally at a node from labels present there. A tree can achieve pure training leaves by growing deeply and still generalize poorly. Evaluate the full model with an appropriate split, and inspect class-specific errors, calibration where needed and stability. The impurity criterion guides construction; it does not establish whether features are causal or predictions useful.

Pelaksanaan Dunia Sebenar

Satu nod mengandungi 8 kes positif dan 2 kes negatif. Kekotoran Gininya ialah 1 - (0.8 kuasa dua + 0.2 kuasa dua) = 0.32, mewakili peluang label berbeza jika dua label dilukis secara bebas daripada perkadaran kelasnya.

Perpecahan hipotetikal mewujudkan satu anak tulen dan satu anak campuran. Kekotoran induk mesti dibandingkan dengan kekotoran kanak-kanak yang ditimbang mengikut perkadaran sampelnya; anak kecil yang tulen sahaja tidak mewujudkan perpecahan yang baik.

Satu pasukan membandingkan pokok menggunakan Gini dengan satu pokok menggunakan entropi, kemudian menilai ramalan yang tertahan. Pilihan belah yang serupa tidak menjamin pokok yang sama atau generalisasi yang sama.

Nod mempunyai perkadaran kelas 0.5 dan 0.5, menghasilkan kekotoran 0.5 dalam kes binari. Nod dengan 0.9 dan 0.1 mempunyai kekotoran 0.18 dan lebih tertumpu kelas.

Masa Depan Kekotoran Gini

Penjelasan pokok boleh menjadikan kriteria pembahagian lebih berguna dengan menunjukkan perkadaran kelas induk, perkadaran anak dan perubahan kekotoran berwajaran bersama-sama. Pasukan juga harus menyemak saiz daun dan prestasi kelas yang ditahan supaya partition latihan yang kelihatan bersih tidak mendominasi pertimbangan. Apabila ketidakseimbangan kelas penting, nilai hasil kelas minoriti bersama pengurangan kekotoran. Proses praktikal mendokumenkan kriteria, pilihan pemangkasan dan reka bentuk pengesahan, kemudian menyemaknya semula apabila populasi atau proses label berubah. Visualisasi yang lebih baik boleh menjelaskan mengapa pemisahan dipilih, tetapi kriteria kekal sebagai sebahagian daripada penilaian model dan bukannya sijil kualiti.

Mempraktikkannya

Mengapa ia penting

  • Kos dan bajet. Keputusan seni bina memacu prestasi dan kos operasi selama bertahun-tahun.
  • Keputusan yang lebih jelas. Pendidikan teknikal membantu pasukan memilih timbunan yang betul, bukan hanya yang terbaharu.
  • Kawalan kualiti. Pilihan kejuruteraan yang lebih baik mengurangkan insiden kebolehpercayaan dalam pengeluaran.

Berhati-hati untuk

  • Mengoptimumkan satu penanda aras boleh menyembunyikan kelemahan sistem yang lebih luas.
  • Kos infrastruktur dan penyelenggaraan sering dipandang remeh.
  • Jurang keselamatan dan pemerhatian boleh berkembang apabila sistem menjadi lebih kompleks.

Langkah seterusnya

  1. Tentukan sasaran kependaman, kualiti dan kos sebelum pelaksanaan.
  2. Penanda aras di bawah beban realistik dan keadaan data.
  3. Pemantauan instrumen untuk ralat, drift dan kesan pengguna.
  4. Sediakan laluan balik dan tindak balas insiden sebelum penskalaan.

Teruskan Meneroka

Newsletter percuma

Dapatkan taklimat AI harian

Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.

Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.

Uji diri anda

Ambil kuiz Pengotor Gini

Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.

Mulakan kuiz

Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma

Soalan lazim

Apakah Kekotoran Gini?

Kekotoran gini mengukur tahap campuran label kelas dalam nod pokok keputusan, dengan sifar menunjukkan bahawa setiap contoh adalah milik satu kelas. Pengelas CART menggunakan pengurangan kekotoran yang dijangkakan daripada pemisahan calon untuk memilih partition, tetapi skor adalah kriteria pemisahan tempatan dan bukannya ukuran lengkap kualiti model.

Nod binari mempunyai perkadaran kelas 0.8 dan 0.2. Apakah kekotoran Gininya?

Satu tolak (0.8 kuasa dua tambah 0.2 kuasa dua) sama dengan 1 - 0.68 = 0.32.

Nilai yang manakah menerangkan kekotoran dalam nod yang mengandungi hanya satu kelas?

Nod tulen mempunyai satu perkadaran kelas satu, jadi satu tolak jumlah perkadaran kuasa dua ialah sifar.

Bagaimanakah kekotoran kanak-kanak harus digabungkan semasa menilai perpecahan calon?

Kriteria pembahagian menggunakan purata berwajaran saiz sampel bagi kekotoran kanak-kanak.

Apakah yang diwakili oleh penurunan Gini dalam pembinaan pokok?

Keuntungan terbelah ialah kekotoran induk tolak purata berwajaran kekotoran selepas pemisahan.

Perbezaan antara Gini dan entropi yang manakah tepat?

Kedua-duanya mengukur pencampuran kelas untuk pemilihan split, tetapi formula dan skala berangkanya berbeza.