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

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.

通过测量关于类的信息增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)都用于特征选择任务.

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

我们来举个例子吧.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"杂质"的程度.最接近0的是,数据集中的杂质越少.

因此,良好属性是包含最多信息的属性,即,减少最多的熵.Weka的InfoGainAttributeEval方法是一种正确评估它的方法.

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

让我们为我们的例子计算温度属性所携带的信息量.

InfoGain(等级,温度)= H(等级) - H(等级|温度).

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.我们需要首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)等于两个孩子的熵的总和,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,您可以随心所欲地计算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,该特征对减小熵 (= 信息增益)的贡献相当小.

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.

至于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.