Azure 机器学习决策树熵/信息增益
Azure Machine Learning Decision Tree Entropy / Information Gain
在 Azure ML 中训练决策树时，有没有办法查看每个特征的 Entropy/Information 收益？
传统节点性能：
您目前只能在提升决策树模型中查看 gini 的相对增益。右键单击并可视化经过训练的提升决策树的输出，图片链接如下。从那里，等待树加载。然后您可以单击每个单独树的节点以查看每个级别的拆分收益。
Entropy/Information 收益：
尽管让我们退后一步，问我们为什么要查看熵？熵是单个树中节点特定的度量。 Azure 机器学习没有单树 class 器，例如 R 中的 rpart，只有决策森林、决策丛林和提升决策树模块形式的树集合。
变量重要性：
因此，我猜您正在寻找 variable/feature 重要性度量，它是集合内所有树中所有节点分裂的总 gini/entropy/information 增益的聚合或平均值。 Azure ML 有一个模块，该模块根据经过训练的算法计算特征重要性，称为排列特征重要性模块。它通过您训练的模型 运行 随机预测变量值来查看响应 class 变化的幅度。
在 Azure ML 中训练决策树时，有没有办法查看每个特征的 Entropy/Information 收益？
传统节点性能：
您目前只能在提升决策树模型中查看 gini 的相对增益。右键单击并可视化经过训练的提升决策树的输出，图片链接如下。从那里，等待树加载。然后您可以单击每个单独树的节点以查看每个级别的拆分收益。
Entropy/Information 收益：
尽管让我们退后一步，问我们为什么要查看熵？熵是单个树中节点特定的度量。 Azure 机器学习没有单树 class 器，例如 R 中的 rpart，只有决策森林、决策丛林和提升决策树模块形式的树集合。
变量重要性：
因此，我猜您正在寻找 variable/feature 重要性度量，它是集合内所有树中所有节点分裂的总 gini/entropy/information 增益的聚合或平均值。 Azure ML 有一个模块，该模块根据经过训练的算法计算特征重要性，称为排列特征重要性模块。它通过您训练的模型 运行 随机预测变量值来查看响应 class 变化的幅度。