特征编码
直接编码
对不同特征标注01234即可
One-hot编码
对不同特征标注0001,0010,0100,1000
Dummy编码(哑变量编码、虚拟变量编码)
四个变量可以用三个变量表示即可,另一个可以通过排除法得到。
欠定与超定方程:
由若干个偏微分方程所构成的等式组就称为偏微分方程组,其未知函数也可以是若干个。当方程的个数少于未知函数的个数时,就称为欠定的。当方程的个数超过未知函数的个数时,就称这偏微分方程组为超定的。
不确定性与熵
-
信息熵:表示的是信息量的大小,信息不确定性的大小,把事情弄清楚的次数。
E n t ( f ) = − ∫ − ∞ + ∞ f ( x ) log a f ( x ) d x Ent\left( f\right) =-\int_{-\infty}^{+\infty}{f\left( x \right) \log _af\left( x \right) dx} Ent(f)=−∫−∞+∞f(x)logaf(x)dx
f(x)为概率密度函数。 -
联合熵
-
条件熵
-
交叉熵
主要用于度量两个概率分布间的差异性信息。
可用于训练样本集总体样本的分布估计与真实分布的差异性!交叉熵越大,误差越大。
E n t ( f 0 , f 1 ) = − ∫ − ∞ + ∞ f 0 ( x ) log a f 1 ( x ) d x Ent\left( f_0,f_1 \right) =-\int_{-\infty}^{+\infty}{f_0\left( x \right) \log _af_1\left( x \right) dx} Ent(f0,f1)=−∫−∞+∞f0(x)logaf1(x)dx
吉布斯不等式:交叉熵恒大于等于信息熵 -
相对熵(也叫KL散度)
D K L ( f 0 ∣ ∣ f 1 ) = E n t ( f 0 , f 1 ) − E n t ( f 0 ) D_{KL}\left( f_0||f_1 \right) =Ent\left( f_0,f_1 \right) -Ent\left( f_0 \right) DKL(f0∣∣f1)=Ent(f0,f1)−Ent(f0)
相对熵越小,也就等同于Ent(f0,f1)越小 -
互信息
不确定性的减少量。Ent(Y|X)表示给了提示信息X的Y的不确定性度量
I ( Y ; X ) = E n t ( Y ) − E n t ( Y ∣ X ) I\left( Y;X \right) =Ent\left( Y \right) -Ent\left( Y|X \right) I(Y;X)=Ent(Y)−Ent(Y∣X) -
信息增益
信息增益
实际上就是信息熵减去条件熵。 -
增益率