Machine learning 如何计算以下数据集的信息增益？

在理解信息增益计算的同时- 人群中患癌症的概率为1%。癌症测试可以正确识别50%的癌症患者和99.5%的非癌症患者。现在我必须计算通过癌症测试获得的信息增益？ 这是我在学习熵和信息增益时试图解决的练习问题之一。 编辑- 我在上面计算的尝试是-

如果我们认为总人口为100 -BR>

癌症患者=1
非癌症患者=99
熵H=-1/100对数（1/100）-99/100对数（99/100）

现在对癌症患者的测试给了我-50%的癌症患者和50%的非癌症患者。因此，分类为癌症患者的熵-

H1 = -1/2(log1/2)-1/2log(1/2)

非癌症患者它为99.5%的非癌症患者和0.5%的癌症患者提供信息。因此，信息获取应该是有限的。非癌症患者的分类熵为-

H2=-（99.5*99/100）对数（99.5*99/100）-（5/100）*99对数（5/100*99）

我想知道测试后得到熵的方法是否正确。如果这是正确的，则可以计算信息增益-

Information gain = H - (H1+H2)

---

那么，你的第一次尝试是什么？@Anony Mouse我已经编辑了我的问题，并根据我的理解陈述了解决方案。请告诉我它是否正确？