Impureza de Gini

Árvores de decisão dividem os dados em grupos o mais puros possível. A impureza de Gini mede o quanto os rótulos de um grupo estão misturados:

Gini = 1 - Σ pₖ²

onde pₖ é a fração de rótulos da classe k. Um grupo com uma só classe tem impureza 0; uma mistura igual de duas classes tem impureza 0.5.

Implemente gini_impurity(labels).

Entrada

labels: Os rótulos de classe do grupo.

Saída

Retorne a impureza de Gini como número decimal.

Restrições

1 ≤ tamanho ≤ 10.000

Cada rótulo tem de 1 a 20 caracteres

Exemplos

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

Saída esperada:
expected = 0.5

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

Saída esperada:
double expected = 0.5;

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

Saída esperada:
double expected = 0.5;

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

Saída esperada:
expected = 0.0

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

Saída esperada:
double expected = 0.0;

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

Saída esperada:
double expected = 0.0;

Referências

Este desafio foi adaptado para o CodeUtility. Siga o enunciado e as restrições acima.

• scikit-learn, Decision trees: mathematical formulation