基于IG的特征评分方法

     本文简单介绍了熵、信息增益的概念，以及如何使用信息增益对监督学习的训练样本进行评估，评估每个字段的信息量。
1、熵的介绍
       在信息论里面，熵是对不确定性的测量。通俗来讲，熵就是衡量随机变量随机性的指标。比如一个随机变量X的状态有{1,2,...,n},如果X取1的概率为1，其他状态为0，那么这个随机变量一点儿随机性都没有，也就是信息量为0；反之，如果每个状态的概率都相当，也就是说这个随机变量不倾向任何一个状态，因此随机性最高。（在离散情况，均匀分布的熵最高；在连续情况，正态分布的熵最高。）
       熵的计算公式：

      

 

      I(xi)是状态xi的信息量，H(X)是对各个状态的信息量的加权平均。如果不理解I(xi) ，可以简单地这样理解，如果p(X=xi) 很小的话，也就是说这种情况出现很罕见，因此要推测该状态就比较不容易，随机性就高，所以该状态的信息量就大。
       另外，有一点需要注意的是，熵是有单位的，具体取决于用什么log底，b。比如b=2的时候，单位是bit。bit就是位，和平常我们学习的存储单位“bit”是一样的。这点如果不理解的话，大家可以做个简单的计算，令随机变量有两个状态，每个状态的概率为0.5，令b=2，这样算出来的熵是1（bit）。1bit表示我们如果要传输这个随机变量的信息的时候，需要存储量是1bit。熵还可以这样理解，熵就是我们要传输一个随机变量的信息时，需要使用的存储量。这种理解和上述是一致的，因为如果变量随机性高的话，我们传输时就需要使用更多的bit，所以，存储量大和随机性高是相同意思的。
       最后，为了避免大家对概念的混淆，我们总结如下一段话：
       熵越高，不确定性越高，随机性越强，信息量越大，需要的存储量就越大。 

2、信息增益IG
       信息增益在不同情况下，意思稍微有点区别，我们使用的概念和决策时的概念是一致的。但是，另外一种情况，即如下介绍的KL-divergence，也是可以用来筛选特征的，所以，下面，我们首先介绍一下KL-divergence，大家如果感兴趣，可以专门去了解一下。
    在信息论和机器学习中，信息增益（Information Gain）或者Mutual Information都是表示Kullback–Leibler divergence，这个概念是用来描述两个随机变量之间的依赖程度，简单的理解，两个随机变量的KL-divergence就是已知某个随机变量的时候，我们还需要多少信息才能预测另一个随机变量的取值，因此，该指标是不对称的（asymmetric）。这个指标也可以用来做特征筛选，计算的指标就是一致某个特征的取值时，推测label还需要多少信息量，该量越大，说明特征提供的信息越少，否则说明特征提供的信息量很大，使得我们不需要额外的信息就可以推知label信息。
       在决策树中，信息增益和KL-divergence不一样，这里信息增益指的是在划分数据集之前和之后信息发生的变化。

          这里信息增益有个关键点就是对样本进行划分。像决策树，就是根据特征字段的值对样本进行划分，使得获得的信息增益最大。

3、使用IG计算字段的信息量
       对于离散值的字段，我们根据该字段的取值情况对样本进行划分，将计算得到的信息增益作为字段的信息量。如果字段取值是连续性，熵和信息增益都有连续版本，但是连续版本需要求积分，计算量很大，所以，为了方便计算，我们先将字段执行离散化操作，然后计算字段的信息量。
    得到字段的信息量之后，我们就可以根据一个阈值对字段进行筛选，去掉那些没有信息的字段。也可以使用topN选择最优信息量的字段。