信息增益比（Information Gain Ratio）是一種用於決策樹學習算法中特徵選擇的方法，它用於校正信息增益容易偏向取值較多的特徵的問題。信息增益比的定義是特徵對訓練數據集的信息增益與訓練數據集關於該特徵的值的熵之比。具體計算公式為：
IR(D,A) = g(D,A) / HA(D)
其中，g(D,A) 是特徵 A 對訓練數據集 D 的信息增益，HA(D) 是特徵熵，表示特徵 A 取值的不確定性。特徵熵 HA(D) 的計算公式為：
HA(D) = -∑i=1n |Di|/D log2 |Di|/D
這裡，Di 表示數據集 D 中特徵 A 取第 i 個值的樣本子集，n 是特徵 A 取值的數量。信息增益 g(D,A) 的計算公式為：
g(D,A) = H(D) - H(D|A)
其中，H(D) 是數據集 D 的信息熵，表示數據集 D 中樣本類別的不確定性，H(D|A) 是條件熵，表示在知道特徵 A 的信息後數據集 D 中樣本類別的條件不確定性。
信息增益比作為特徵選擇的標準，可以客觀地反映信息增益，因為它依賴於特徵熵的大小，這樣可以避免選擇那些取值較多的特徵，因為這些特徵雖然可能具有較高的信息增益，但並不一定導致更好的決策樹性能。