引言:
最近在看数据挖掘的内容,看视频的时候,里面讲到了一些信息熵的东西,突然让我对于之前信息熵的迷惑瞬间消散。写这个的目的只是抛砖引玉,辅助看到信息熵的朋友加深一点点…点.理解,水平实在有限,尽量保证正确
首先这儿有个统计图表,如下:
从图中这三列,我们分别可以得到如下信息:
1.第一列:总人群中男女比例都是0.5
2.第二列:在不吸烟的人群中女的为0.8,男的为0.2
3.第三列:在吸烟的人群总女的为0.05,男的为0.95
现在我们抛出这样一个问题。晚上,你在街角看到一个人在抽烟,你能确定他是男人还是女人?
很明显,百分之50是男的,百分之50是女的。那么这中间信息的不确定度到底有多大呢?
这里信息熵就是用来描述不确定度的,信息熵公式及函数图像如下:
可以看信息熵的函数是一个凹函数
那么现在你在不知道人群男女吸烟比例的情况下,你的信息熵是多少呢?也就是你的不确定度。
根据男女比例各位0.5的概率,带入信息熵公式,有如下结果:
可以看到这个时候你的熵值为1(严重不自信,猜什么错什么),也就是不确定度最大。
假设这个时候,你知道了最开始图表中的男女吸烟比例,你可以得到如下熵值:
从上面你分别算出了这么三个等式:
1.对于不吸烟的人群,你的不确定度0.7219
2.在吸烟的人群中,你的不确定度0.2864
3.对于所有人群,你的不确定度0.5477 (第三个公式的0.6和0.4分别是不吸烟和吸烟人群在总人口的比例)
这时候你在得知吸烟男女比例后,你的不确定度就降低到了0.5477(有点自信了)
然后你还可以得到一个信息增益(information gain),也就是你在得到一些额外信息之后,你的不确定度降了多少。
最后:
1.信息熵表示的是你的不确定度,当概率为0.5的时候,最大值为1,这个时候就是严重不自信,左右偏移
2.当你得到一些关于你想知道事物的信息时,你心中对这个事物的猜测概率就会便宜0.5,不确定度(熵值)也会远离凹函数图形的顶点,不确定度随之降低。
反正我是爽了,建议可以看如下视频:
空降
05 特征选择 时间线:06:17 附近
https://www.bilibili.com/video/BV15t411v7Pg?p=5