《机器学习实战》中的splitDataSet函数

Posted 2020-10-23 王明辉的部落

 

splitDataSet这个函数困扰了我好一阵子，为什么以某一特征值为标准进行划分数据集以后，变成了局部？例如，如果以第1个特征为0为标准进行划分，那么返回的结果集就是不含有此特征的结果集，如下图红框部分所示：

代码表示为：[[1, \'no\'], [1, \'no\']]

 

同理，如果以第1个特征为1作为标准，那么返回的结果集如下图所示：

代码表示为：[[1, \'yes\'], [1, \'yes\'], [0, \'no\']]

后经此文提示：http://blog.csdn.net/guo1988kui/article/details/75110361

了解到这是因为把那个特征值作为分界线以后，它自身不再作为特征出现在数据集中。

但是我没想明白为什么要这样做，是什么道理？为什么分界线就不再进入数据集了？穿红衣服的同学一组，蓝衣服的同学一组，那么这个分界线就是“衣服”，为什么要把“衣服”排除在外？

同时，实际上，它是否进入数据集，对熵并没有影响。

它统计的是符合特征的样本数量占样本总体的比例，得到概率，与特征数量本身没有关系。

存疑。随着学习的深入，希望有一天能够解开。

继续往下看就知道了，因为要构建决策树，数据集中的特征应当逐步减少。