Impurità di Gini

Gli alberi decisionali dividono i dati in gruppi il più possibile puri. L'impurità di Gini misura quanto sono mescolate le etichette di un gruppo:

Gini = 1 - Σ pₖ²

dove pₖ è la frazione di etichette della classe k. Un gruppo con una sola classe ha impurità 0; un mix uguale di due classi ha impurità 0.5.

Implementa gini_impurity(labels).

Input

labels: Le etichette di classe del gruppo.

Output

Restituisci l'impurità di Gini come numero decimale.

Vincoli

1 ≤ lunghezza ≤ 10.000

Ogni etichetta ha da 1 a 20 caratteri

Esempi

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

Output atteso:
expected = 0.5

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

Output atteso:
double expected = 0.5;

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

Output atteso:
double expected = 0.5;

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

Output atteso:
expected = 0.0

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

Output atteso:
double expected = 0.0;

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

Output atteso:
double expected = 0.0;

Riferimenti

Questa sfida è adattata per CodeUtility. Segui la traccia e i vincoli sopra.

• scikit-learn, Decision trees: mathematical formulation