Gini-Unreinheit

Entscheidungsbäume teilen Daten in möglichst reine Gruppen auf. Die Gini-Unreinheit misst, wie gemischt die Labels einer Gruppe sind:

Gini = 1 - Σ pₖ²

wobei pₖ der Anteil der Labels der Klasse k ist. Eine Gruppe mit nur einer Klasse hat die Unreinheit 0; eine gleichmäßige Mischung zweier Klassen hat 0.5.

Implementiere gini_impurity(labels).

Eingabe

labels: Die Klassenlabels der Gruppe.

Ausgabe

Gib die Gini-Unreinheit als Dezimalzahl zurück.

Einschränkungen

1 ≤ Länge ≤ 10.000

Jedes Label hat 1 bis 20 Zeichen

Beispiele

Eingabe:
labels = ["yes", "yes", "no", "no"]

Erwartete Ausgabe:
expected = 0.5

Eingabe:
std::vector<std::string> labels = {"yes", "yes", "no", "no"};

Erwartete Ausgabe:
double expected = 0.5;

Eingabe:
string[] labels = new string[] {"yes", "yes", "no", "no"};

Erwartete Ausgabe:
double expected = 0.5;

Eingabe:
labels = ["cat", "cat", "cat"]

Erwartete Ausgabe:
expected = 0.0

Eingabe:
std::vector<std::string> labels = {"cat", "cat", "cat"};

Erwartete Ausgabe:
double expected = 0.0;

Eingabe:
string[] labels = new string[] {"cat", "cat", "cat"};

Erwartete Ausgabe:
double expected = 0.0;

Referenzen

Diese Aufgabe wurde für CodeUtility angepasst. Beachte die oben genannten Vorgaben und Einschränkungen.

• scikit-learn, Decision trees: mathematical formulation