信息熵

最新推荐文章于 2021-05-08 20:02:55 发布

格里芬阀门工

最新推荐文章于 2021-05-08 20:02:55 发布

阅读量251

点赞数

分类专栏：机器学习

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_42578970/article/details/112870697

版权

机器学习专栏收录该内容

11 篇文章 0 订阅

订阅专栏

1.信息熵

信息论概念：信源中所有可能发生的情况的平均不确定性

设信源有N种取值，对应概率p1,p2...pn，则信息熵为

$H(U)=\sum_{n}^{i=1}p_{i}log(\frac{1}{p_{i}})$

对数底数一般为2

2.交叉熵

信息论中，用于表征两个变量概率分布PQ（P为真实，Q为模型预测）的差异性

$H(P,Q)=\sum_{ x\epsilon X}^{ }P(x)log\frac{1}{Q(x)}$

取值越大，两个变量差异越大。

深度学习中，交叉熵可以用来作为神经网络输出的损失函数

3.相对熵（又名KL散度，KLD，信息散度，信息增益）

交叉熵与信息熵的差值，表示用分布Q模拟真实分布P所需要的额外信息

$D_{KL}(P||Q)= \sum_{ x\epsilon X}^{ }P(x)log\frac{1}{Q(x)}- \sum_{ x\epsilon X}^{ }P(x)log(\frac{1}{P(x)})$

性质：1.不对成性；2.非负性

4.JS散度

为了解决KL散度的不对称性，JS公式为

$JS(P_{1}||P_{2})= \frac{1}{2} KL(P_{1}||\frac{P_{1}+P_{2}}{2})+ \frac{1}{2} KL(P_{2}||\frac{P_{1}+P_{2}}{2})$

格里芬阀门工

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
信息熵

1.信息熵信息学概念：信源中所有可能发生的情况的平均不确定性设信源有N种取值，对应概率p1,p2...pn，则信息熵为
复制链接

扫一扫

专栏目录

评论

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。