在数据分析与机器学习中，信息增益是衡量特征重要性的一种方法，尤其在决策树算法中应用广泛。今天，我们用Python一步步教你如何计算信息增益！💪

首先，准备好你的数据。假设你有一组样本和对应的分类标签，比如一个简单的表格数据：[['晴天', '热', '高', '否'], ['阴天', '凉爽', '正常', '是']]。第一步是计算数据的整体熵值（Entropy），这反映了数据的不确定性。接着，针对每个特征逐一计算条件熵（Conditional Entropy），然后用整体熵减去条件熵得到信息增益。💡

以下是核心代码片段：

```python

import math

def entropy(labels):

total = len(labels)

freqs = {}

for label in labels:

freqs[label] = freqs.get(label, 0) + 1

ent = -sum((f/total) math.log2(f/total) for f in freqs.values())

return ent

示例数据

data = [['晴天', '热', '高', '否'], ['阴天', '凉爽', '正常', '是']]

labels = ['否', '是']

print("整体熵值:", entropy(labels))

```

通过以上步骤，你可以轻松计算出每个特征的信息增益啦！🎉 这不仅能帮助你理解数据分布，还能优化模型性能哦！✨