Impureté de Gini

Les arbres de décision divisent les données en groupes aussi purs que possible. L'impureté de Gini mesure à quel point les étiquettes d'un groupe sont mélangées :

Gini = 1 - Σ pₖ²

où pₖ est la proportion d'étiquettes de la classe k. Un groupe d'une seule classe a une impureté de 0 ; un mélange égal de deux classes a une impureté de 0.5.

Implémentez gini_impurity(labels).

Entrée

labels : les étiquettes de classe du groupe.

Sortie

Renvoyez l'impureté de Gini sous forme de nombre décimal.

Contraintes

1 ≤ longueur ≤ 10 000

Chaque étiquette compte de 1 à 20 caractères

Exemples

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

Sortie attendue :
expected = 0.5

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

Sortie attendue :
double expected = 0.5;

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

Sortie attendue :
double expected = 0.5;

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

Sortie attendue :
expected = 0.0

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

Sortie attendue :
double expected = 0.0;

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

Sortie attendue :
double expected = 0.0;

Références

Ce défi a été adapté pour CodeUtility. Suivez l'énoncé et les contraintes ci-dessus.

• scikit-learn, Decision trees: mathematical formulation