Esplora i concetti chiave, fai pratica con le flashcard e metti alla prova le tue conoscenze — poi sblocca il pacchetto di studio completo.
Gli Alberi di Decisione sono modelli di classificazione fondamentali nel machine learning. Le misure di impurità sono cruciali per ottimizzare le divisioni dei nodi e migliorare la predittività dell'intero modello. In questo modulo esamineremo le due misure principali: Impurezza di Gini e Entropia.
Queste misure servono a:
Che cos'è l'Impurezza di Gini?
Una misura di quanto spesso un campione selezionato casualmente verrebbe classificato erroneamente in base alla probabilità di classe.
Che cosa misura l'Entropia?
Una misura dell'incertezza nella distribuzione delle classi in un nodo, proveniente dalla teoria delle informazioni.
Qual è l'obiettivo principale delle misure di impurezza?
Guidare la modellazione verso confini di classe più chiari per migliorare l'interpretabilità.
Clicca su qualsiasi carta per rivelare la risposta
Q1
Cosa misura l'Impurezza di Gini?
Q2
Quale misura è nota per essere più semplice dal punto di vista computazionale?
Q3
Quale obiettivo hanno le misure di impurità?
Carica le tue note, PDF o lezioni per ottenere note complete, decine di flashcard e un esame di pratica completo in pochi secondi.
Iscriviti gratis → Nessuna carta di credito richiesta • 1 pacchetto di studio gratuito incluso