机器学习(信息论)：信息熵

作者: 星光下的胖子 | 来源:发表于2020-05-30 19:58 被阅读0次

信息熵与最大熵模型
交叉熵——我们如何评估差异
机器学习(信息论)：信息熵
决策树算法梳理
机器学习各种熵：从入门到全面掌握
ID3与C4.5算法
什么是信息熵？
决策树算法梳理
信息论中的熵和惊异
交叉熵

一、相关概念

自信息

当概率 $p$ 越小，消息 $x$ 出现的概率就越小，一旦出现所获得的信息量就越大。
因此，我们定义 $I(x)=\log{(\frac{1}{p(x)})}$ ，称 $I(x)$ 为消息 $x$ 的自信息量。
自信息用来衡量单一事件发生时所包含的信息量。

信息熵

$H(X)=-\sum_{i}p(x_i)\log(p(x_i))$
信息熵：随机变量 $X$ 所有可能取值的信息量的期望。
在信息论中，熵是信息不确定度的度量。不确定度越大，信息量越大，熵越大。

联合熵

$H(X,Y)=-\sum_{x}\sum_{y}p(x,y)\log(p(x,y))$
联合熵是衡量随机变量 $X$ 、 $Y$ 之间的不确定性。

条件熵

$H(X|Y)=-\sum_{x}\sum_{y}p(x,y)\log(p(x|y))$
条件熵：在已知随机变量 $Y$ 的条件下，随机变量 $X$ 的不确定性。
条件熵=联合熵-独立熵，即 $H(X|Y)=H(X,Y)-H(Y)$ 。

交叉熵

$H(p(x),q(x))=-\sum_{i}p(x_i)\log(q(x_i))$
交叉熵是衡量真实分布 $p(x)$ 与模拟分布 $q(x)$ 之间的近似程度。

相对熵/信息散度/KL散度(Kullback-Leibler divergence)

$D_{kl}(p(x)||q(x))=\sum_ip(x_i)\log(\frac{p(x_i)}{q(x_i)})$
相对熵/信息散度/KL散度(Kullback-Leibler divergence)：衡量两个概率分布之间的距离(差异)。
相对熵=交叉熵-独立熵，即 $D_{KL}(P||Q)=H(P,Q)-H(P)$ 。

互信息

$I(X;Y)=\sum_{x}\sum_{y}p(x,y)\log(\frac{p(x,y)}{p(x)p(y)})$
互信息：两个随机变量 $X$ 、 $Y$ 的联合分布与独立分布乘积的相对熵。
互信息是衡量两个随机变量之间的相关性。

二、互信息、联合熵、相对熵、熵之间的关系

$H(X|Y)$ ：知道 $Y$ 后 $X$ 还剩多少信息。
$H(X;Y)$ ：知道 $Y$ 后给 $X$ 带来了多少信息损失， $H(X;Y)=H(Y;X)$ 。
为方便记忆，可将联合熵当做熵的并集，互信息当做熵的交集。

网友评论

本文标题：机器学习(信息论)：信息熵

本文链接：https://www.haomeiwen.com/subject/rqfhzhtx.html

延伸阅读

深度阅读

您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

机器学习(信息论)：信息熵

一、相关概念

自信息

信息熵

联合熵

条件熵

交叉熵

相对熵/信息散度/KL散度(Kullback-Leibler divergence)

互信息

二、互信息、联合熵、相对熵、熵之间的关系

相关文章

信息熵与最大熵模型

交叉熵——我们如何评估差异