RIG是logloss的一个线性变换，模型预测越好，RIG的数值应该越大。

相对信息增益（RIG）是一个在机器学习领域中用来评估模型性能的指标，特别是在分类问题中。它是基于信息增益（IG）的概念衍生出来的，用于衡量模型预测的不确定性减少的程度。以下是RIG的相关信息：

  1. 定义：相对信息增益（RIG）是信息增益（IG）的一个变体，其计算公式为（熵-条件熵）/熵。这里的熵指的是数据集的初始熵，而条件熵是指在给定某个特征后数据集的熵。RIG的值越大，表示模型的预测能力越强，因为它能更好地减少预测结果的不确定性。

  2. 应用：在决策树中，信息增益（IG）被用来选择有效的特征，而相对信息增益（RIG）则用于评估模型的整体性能。RIG是logloss的一个线性变换，模型预测越好，RIG的数值应该越大。

  3. 与Logloss的关系：RIG与Logloss有直接的数学关系，RIG等于1减去归一化的交叉熵（NE），即RIG = 1 - NE。在评估模型时，RIG提供了一个与Logloss相关的指标，用于衡量模型的预测性能。

  4. 评估指标：RIG常与其他评估指标一起使用，如AUC、Logloss、RMSE等，以全面评估模型的性能。

综上所述，RIG是一个衡量模型预测性能的重要指标，特别是在分类任务中，它通过比较模型预测前后的不确定性变化来评估模型的有效性。

参考