学进去

决策树是一种通过树形结构进行分类的人工智能预测模型，如根据图1所示“气象特点与游客是否来游乐场的关系”绘制的第16题图2所示的决策树树形结构：
图1       图2       
通过了解当天的是否有风、天气、温度和湿度这4个节点参数即可预测当天是否有人来游乐场。不同的节点划分顺序可以绘制不同的决策树，为了选出最优的节点划分顺序，需要采用“信息熵”与“信息增益”指标。信息熵，又称香农熵，被用来度量信息量的大小，信息熵越大表示信息量越大；信息增益，表示样本经某节点划分后的信息熵变化大小。我们绘制决策树时应当逐次选择信息增益最大的节点作为当前节点。
对于有n个信息的样本D，记第k个信息发生的概率为，信息熵计算公式为E(D)=,
例如游乐场14个样本中“去”(9个)、“不去”(5个)，则信息熵==0.940
若样本按“是否有风”节点划分，“是”(6个，其中3个去，3个不去)信息熵==1；
“否”(8个，其中6个去，2个不去)信息熵==0.811；经过此节点划分后的信息增益=原始信息熵按此节点划分后样本信息熵比例和=0.940(0.811)=0.048。
（1）根据上述描述与图1，则“天气”节点中的“多云”信息熵是________。
（2）实现求首次划分节点的程序如下，请在划线处填入合适的代码：
def cal(lst):     #计算样本lst的信息熵
x,y,z=0,len(lst),0   #x表示该样本信息熵，y表示该样本数量，z表示某信息发生的概率
       num={}
       for i in lst:
             if i not in num:
                  _______
             num[i]+=1
       for k in num:
             z=num[k]/y     #计算该信息发生的概率
             x-=z*log(z,2)   #根据公式计算信息熵，log(b,a)等价于log_ab
       return x
def check(x,y):
#根据节点x，对样本y进行划分，返回示例：{'否': [1, 1, 0, 0, 1, 1, 1, 1], '是': [1, 1, 0, 1, 0, 0]}
dic={'是否有风': ['否', '否', '否', '否', '否', '否', '否', '否', '是', '是', '是', '是', '是', '是'],
'天气': ['多云', '多云', '晴', '晴', '晴', '雨', '雨', '雨', '多云', '多云', '晴', '晴', '雨', '雨'],
'温度': [28, 27, 29, 22, 21, 21, 20, 24, 18, 22, 26, 24, 18, 21],
'湿度': [78, 75, 85, 90, 68, 96, 80, 80, 65, 90, 88, 63, 70, 80],
'是否前往': [1, 1, 0, 0, 1, 1, 1, 1, 1, 1, 0, 1, 0, 0]}
xm=list(dic.keys())
entropy=cal(dic[xm[-1]])   #调用函数计算样本原始信息熵entropy
#计算各节点信息增益
m=0;p=""
col=xm[:-1]   #“是否前往”是结果项，不参与计算
for i in col:
       size=len(dic[i]);entropy_1=0
       zyb=______   #调用函数对样本按照当前节点进行划分
       for j in zyb:   #根据划分情况逐个求子样本信息熵并按比例累加
             entropy_1+=len(zyb[j])/size*cal(zyb[j])
       zy=entropy-entropy_1
       print(i,"的信息增益:",zy)
       if zy>m:     #计算最大信息增益与信息增益最大的节点
             m=zy
             _____
print("信息增益最大的节点：",p)