Python3.x实现离散数据信息熵的计算

最新推荐文章于 2024-07-27 12:20:46 发布

qq_Newbie

最新推荐文章于 2024-07-27 12:20:46 发布

阅读量3.5k

点赞数

文章标签： python 信息论

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_40447251/article/details/95737283

版权

一、信息熵

信息论的背后是：从小概率事件中学习到更多有价值的信息。而如何对信息进行度量最初起源于1948年香农提出的信息熵。它用于衡量变量的不确定性，变量的不确定性越大，熵也就越大。如热力学中的热熵表示分子状态的混乱程度，熵越大，表示分子状态越混乱。

同时，信息熵在数学上可用信息的期望值表示。

假设对离散型事件 ${X=x}\\$ ，定义 ${x\mathop{{}}\nolimits_{{i}}}\\$ 的信息为：

${I \left( x\mathop{{}}\nolimits_{{i}} \left) =-log\mathop{{}}\nolimits_{{2}}P \left( x\mathop{{}}\nolimits_{{i}} \right) \right. \right. }\\$

其中， ${P \left( x\mathop{{}}\nolimits_{{i}} \right) }\\$ 表示变量

最低0.47元/天解锁文章

关注

0
点赞
踩
18

收藏

觉得还不错? 一键收藏
1
评论
Python3.x实现离散数据信息熵的计算

一、信息熵信息论的背后是：从小概率事件中学习到更多有价值的信息。而如何对信息进行度量最初起源于1948年香农提出的信息熵。它用于衡量变量的不确定性，变量的不确定性越大，熵也就越大。如热力学中的热熵表示分子状态的混乱程度，熵越大，表示分子状态越混乱。同时，信息熵在数学上可用信息的期望值表示。假设对离散型事件，定义的信息为： ...
复制链接

扫一扫

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。