机器学习中各种熵

本文的目录组织如下：

---

【1】自信息
【2】熵（香农熵）
【3】联合熵
【4】条件熵
【5】互信息（信息增益）
【6】 熵、联合熵、条件熵、互信息的关系
【7】交叉熵
【8】相对熵（KL散度）
【9】熵在机器学习中的应用（贝叶斯、决策树、分类）

---

1. 自信息：对事件不确定性的度量。

 

自信息公式

事件的不确定性越大（概率 pi 越小），自信息 I(pi) 越大。
比如买彩票，中彩票的自信息大，而不中彩票的自信息小。

 

2. 熵（香农熵）：事件所有可能结果的自信息期望值。

 

香农熵公式

当事件所有可能的结果相同时，自信息等于香农熵。
比如掷骰子， p(xi) = 1/6， I(X) = -log(p(xi)) = -log(1/6) = log6 = H(x)。

 

3. 联合熵：（X,Y）在一起时的不确定性度量。

 

联合熵公式

联合熵性质：

 

•  

   

  大于每个独立的熵：

  

•  

   

  小于独立熵的和：

  

4. 条件熵：知道X的条件下，Y的信息量。

条件熵公式

 

从公式的推断过程，可以得到条件熵的一个性质：

5. 互信息（信息增益）：知道X，给Y的信息量带来多少损失。

互信息（信息增益）

 

可以得到互信息的一个性质：

6. 熵、联合熵、条件熵、互信息的关系：

 

熵、联合熵、条件熵、互信息的关系图

举个例子：假设H(X)用一块糖来表示，Y代表一杯水，H(X|Y)也就是将这杯水倒在糖上，H(X)还剩多少，那么溶于水的那部分糖就是Y给H(X)带来的损失，即就是互信息。

 

这样，我们就可以理解决策树为什么要选取信息增益（互信息）最大的特征。因为信息增益是指由于特征A而使得数据集D不确定性减少的程度。信息增益越大，不确定性减少的程度越大，那么该特征的选取就有利于分类朝着确定性方向发展。

7. 交叉熵：衡量两个概率分布p和q对事件X的相似性。

交叉熵公式

在信息论中，这个量指的是：用「错误」的编码方式 q（而不是 p）去编码服从「正确」 分布q的事件，所需要的 bit 数。

实际上，有一个性质：H(p, q) >= H(p), 当q为真实分布p时取等号。这是因为用错误的分布q得到的平均编码长度H(p,q)大于根据真实分布p得到的平均编码长度H(p)（直观理解）。

• 交叉熵衡量两个概率分布p和q对事件X的相似性，按理来说，两分布越相似，交换熵越大。但这里的“相似性”是指如果两分布相同，H(p, q) = H(p)，取最小值；而两分布不相似，H(p, q) > H(p)，取值比 H(p) 大。所以，是反过来的，即两分布越相似，交换熵越小。
• 由于交叉熵衡量两个概率分布p和q的相似性，因此常常用于神经网络的损失函数。
• 交叉熵作为损失函数还有一个好处是使用sigmoid函数在梯度下降时能避免均方误差损失函数（MSE）学习速率降低的问题，因为使用MSE代价函数时在sigmoid输出饱和时学习速率(梯度)与sigmoid导数正相关，这时sigmoid导数趋于0，即很小，而使用交叉熵代价函数时学习速率与误差正相关，误差越大，学习速率越大，但与sigmoid导数无关，只被输出误差所控制。

8. 相对熵（KL散度）：衡量两个概率分布p和q对事件X的不相似性。

 

相对熵（KL散度）

在交叉熵的例子中，我们把由q得到的平均编码长度比由p得到的平均编码长度多出来的bit数称为相对熵（KL散度），因此可以将熵、交叉熵、相对熵联系在一起：

即 交叉熵 = 熵 + 相对熵

 

相对熵（KL散度）性质：

• 由于KL散度衡量两个概率分布p和q对事件X的不相似性，因此两分布越不相似，KL散度值越大。
• 如果两分布相同，则KL散度值为0。KL散度非负且非对称。
• KL散度可应用于生成式对抗网络GAN（衡量两个分布）。

注：熵、交叉熵和相对熵都是针对同一事件的，其中交叉熵和相对熵涉及两个概率分布。

---

9. 熵在机器学习中的应用

贝叶斯学习：
首先，上面描述的高斯分布的例子是很重要的，因为在机器学习应用中，高斯分布是一个很常见的建模选择。机器学习的目标就是减少熵。我们希望做一些预测，而且我们必须对自己的预测比较确定。而熵正好可以用来衡量这个置信度。在贝叶斯学习中，经常假设一个先验分布具有较宽广的概率密度函数，这反映了随机变量在观测之前的不确定性。当数据来了以后，熵会减小，并且让后验分布在最可能的参数值周围形成峰值。

决策树学习：
在决策树的学习算法中，一般包含了特征选择、决策树的生成与决策树的剪枝过程。决策树的特征选择在于选取对训练数据有分类能力的特征，而通常特征选择的准则是信息增益或信息增益比。

在李航的统计学习方法中，一般熵 H(Y) 与条件熵 H(Y|X) 之差可以称为互信息（Mutual Information），决策树学习中的信息增益等价于训练数据中类与特征的互信息。若给定训练数据集 D 和特征 A，经验熵 H(D) 表示对数据集 D 进行分类的不确定性。而经验条件熵 H(D|A) 表示在特征 A 给定的条件下对数据集 D 进行分类的不确定性。那么它们的差，即信息增益，就表示由于特征 A 而使得对数据集 D 的分类的不确定性减少的程度。显然，对于数据集 D 而言，信息增益依赖于特征，不同的特征往往具有不同的信息增益。信息增益大的特征具有更强的分类能力。

根据信息增益准则的特征选择方法是：对训练数据集（或子集）D，计算其每个特征的信息增益，并比较它们的大小，选择信息增益最大的特征。

因此在决策树学习中，熵被用来构建树。通过将数据集 S 根据可能的「最佳」属性分成一些子数据集，从根节点开始构建决策树，「最佳」属性也就是能够将得到的子数据集的熵最小化的属性。这个过程被递归地重复，直到没有更多的属性来分割。此过程被称为 ID3 算法，由此可见 ID3 算法的核心是在决策树各个结点上应用信息增益准则选择特征，递归地构建决策树。

分类：
不管是在二分类问题还是多分类问题中，交叉熵是 logistic 回归和神经网络中的标准损失函数。通常，p 是真实分布，q 是模型描述的分布。让我们来看一个二分类 logistic 回归中的一个例子。两个类别的标签分别是 0 和 1，logistic 模型给每一个输入赋予以下概率：q_(y=1) =y_hat，q_(y=0) = 1- y_hat。这个可以简写为 q ∈ {y_hat, 1 − y_hat}。尽管真实标签是精确的 0 和 1，但是这里还是写成 p ∈ {y, 1 − y}，因此不要被这个表达方式搞混。在这个标记下，每个样本的真实值和估计分布之间的交叉熵如下：

当它被作为一个损失函数使用的时候，我们用的是 N 个样本的交叉熵均值：