Расчет примеси Джини

Question

С https://en.wikipedia.org/wiki/Decision_tree_learning у нас есть $I_G=1-\sum_{i=1}^j p_i^2$.

Однако из https://www.kaggle.com/batzner/gini-coefficient-an-intuitive-explanation мы имеем:

def gini(actual, pred):
    assert (len(actual) == len(pred))
    all = np.asarray(np.c_[actual, pred, np.arange(len(actual))], dtype=np.float)
    all = all[np.lexsort((all[:, 2], -1 * all[:, 1]))]
    totalLosses = all[:, 0].sum()
    giniSum = all[:, 0].cumsum().sum() / totalLosses
    giniSum -= (len(actual) + 1) / 2.
    return giniSum / len(actual)


def gini_normalized(actual, pred):
    return gini(actual, pred) / gini(actual, actual)

Почему эти два разные. Есть ли ссылка на второй код и что каждый из них пытается вычислить?