问题描述
我想知道如何在Scikit-Learn库中计算决策树算法的最佳基尼或熵。
我已经知道要计算基尼系数，即节点的熵信息增益。
我的重点是“如何通过成本函数或信息增益获得最佳的基尼系数或熵？”
基尼系数和熵值是节点拆分的结果。
因此，如果我想知道最小成本函数值或最高信息增益值，是否应该计算关于所有特征，样本和阈值的杂质指数？
我试图在Scikit-Learn的github中阅读splitter代码。
我首先想到的是，他们搜索所有样本。 但是似乎有一种方法可以找到最佳标准或价值，但是我不确定。
总而言之，我有两个问题：
- 在Scikit-Learn决策树中计算杂质值时，它是否真的针对每个样本，特征和阈值进行了计算？
- 如果没有，拆分器如何不检查所有情况？
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）