Portuguese, Brazilian subtitles

← Information Gain Calculation Part 10 - Intro to Machine Learning

Get Embed Code
5 Languages

Showing Revision 9 created 06/20/2016 by Udacity Robot.

  1. Como acontece quando dividimos com base no limite de velocidade, obtemos a
  2. pureza perfeita dos branches que criamos como resultado.
  3. Então, nosso ganho de informações será igual a 1.
  4. Começamos com uma entropia de 1.
  5. No final, tivemos uma entropia de 0.
  6. Então, o ganho de informações será 1.
  7. Esse é o melhor ganho de informações que podemos ter,
  8. definitivamente é onde queremos fazer uma divisão.
  9. E só para esboçar a árvore de decisão, a aparência poderia ser algo como isto.
  10. Quando vemos as amostras onde o limite de velocidade está em vigor,
  11. então, estas duas primeiras linhas onde a resposta para o
  12. limite de velocidade é sim, depois temos todos os exemplos de lento aqui.
  13. No outro lado onde não há limite de velocidade, tudo será rápido.
  14. Então, este foi um cálculo muito simples.
  15. Demorou um pouco para resolver tudo isso, mas
  16. espero que você tenha uma noção um pouco melhor do
  17. que é ganho de informações em árvores de decisão e por que é tão importante.
  18. Então, são cálculos como este que a árvore de decisão resolver quando
  19. faz o treinamento.
  20. Ela confere todos os exemplos de treinamento, todos os recursos diferentes que
  21. estão disponíveis para ela e usa esse
  22. critério de ganho de informações para decidir quais variáveis dividir e como fazer as divisões.