【算法笔记】交叉熵的含义以及在机器学习中的应用

感谢原文： https://blog.csdn.net/tsyccnh/article/details/79163834

总结：

熵用来表示一个随机变量信息量的期望；
相对熵（KL散度） 用来衡量随机变量不同分布之间的差异。在机器学习的分类问题中，P表示标准分类结果，Q表示学习得到的分类结果，那么P和Q之间的相对熵越小，就说明Q的分类效果越好（接近正确结果P）。训练的目的就是获得更加标注的分布Q，使得P，Q之间的交叉熵更小。
交叉熵 实际训练中，对相对熵做一些变形的话，就会发现其中会改变的只是一部分，这一部分成为交叉熵
在机器学习中，线性回归问题往往使用“平方均值误差”作为损失函数，但分类问题却往往使用交叉熵作为损失函数。
至于其原因，可能是交叉熵可以解决非线性问题？