【机器学习】关于熵的总结（详细）【转】

【转载】https://blog.csdn.net/xierhacker/article/details/53463567

一.什么是熵

Ⅰ.信息量

首先考虑一个离散的随机变量x,当我们观察到这个变量的一个具体值的时候,我们接收到多少信息呢?
我们暂时把信息看做在学习x的值时候的”惊讶程度”(这样非常便于理解且有意义).当我们知道一件必然会发生的事情发生了,比如往下掉的苹果.我们并不惊讶,因为反正这件事情会发生,因此可以认为我们没有接收到信息.但是要是一件平时觉得不可能发生的事情发生了,那么我们接收到的信息要大得多.因此,我们对于信息内容的度量就将依赖于概率分布p(x).
因此,我们想要寻找一个函数h(x)来表示信息的多少且是关于概率分布的单调函数.我们定义:

我们把这个公式叫做信息量的公式，前面的负号确保了信息一定是正数或者是0.(低概率事件带来高的信息量).
函数如下图所示

补充:上面是以2为对数的底,实际上,这个底是能够是其他的数字的.常用的是2和e这两个底.底是2的时候,单位为bit..底是e的时候,单位为nat.

有时候有人也叫做自信息（self-information），一个意思啦。可以推广一下下。
联合自信息量：

条件自信息量：

通俗一点来说的话，就是概率论中很简单的推广就行了。有概率基础的话，这个很容易理解。这里因为实际上面使用二维的更多一点就以二维为例子，推广到多维的话也是可以的。

Ⅱ.熵

熵(entropy):上面的Ⅰ(x)是指在某个概率分布之下,某个概率值对应的信息量的公式.那么我们要知道这整个概率分布对应的信息量的平均值.这个平均值就叫做随机变量x的熵
如下面公式：

这个公式的意思就是，随机变量x是服从p这个分布的，也就是在在p分布下面的平均自信息。也就得到了信息熵。信息熵的本质可以看做是某个分布的自信息的期望。

注意:
1.熵只依赖于X的分布,与X的取值无关,因此服从某个分布的X的熵也可以等价于这个分布的熵.
2.定义0log0=0(因为可能出现某个取值概率为0的情况)
3.熵越大,随机变量的不确定性就越大(因为之前说了，越是不确定，信息量就越大，要是平均信息量很大，那么也可以代表这个变量的不确定性越大)

这里举个例子感受一下:设X服从0-1分布,即

则熵为

上面的计算是对于一个离散型的随机变量（分布）来做的，无非就是把所有的概率都得到，分别求出自信息然后相加就行了。很简单，别想得太多。
代码：

结果：

从图中可以知道：

1.当p=0或者p=1的时候,随机变量可以认为是没有不确定性.
2.当p=0.5的时候,H(p)=1,随机变量的不确定性最大.

那么“仿照”之前的信息量的公式，可以推广一下下啦。
假设一个概率分布有两个随机变量决定。其中x有n种取值，y有m种取值。那么可以得到一个nxm的联合概率分布的表。那么有：
复合熵（联合熵）：

同样，复合熵的公式还可以推广到连续变量和多个变量的情况。这里就不写了。

条件熵：

上面这个公式可能有点难以理解，不知道这个公式是怎么来的。举一个例子来说明一下：
如果以x表示学生体重，以y表示身高，以 p(x∣y)表示身高为某个特定的y时的体重为x的概率，把熵公式用到这个特殊情况得到是熵显然应当是

上面得到的计算公式是针对y为一个特殊值y时求得的熵。考虑到y会出现各种可能值，如果问已知学生身高时（不特指某一身高，而是泛指身高已经知道）的体重的熵（不确定程度），它应当是把前面的公式依各种y的出现概率做加权平均，那么就可以得到上面的条件熵的公式。

Ⅲ.变形总结

进过上面的之后，应该对于信息量和信息熵的几个公式有了了解。然后那几个公式还可以变形为一些常用的公式。这里总结一下
首先要先介绍一下条件分布的乘法定理，可能有人已经忘记了：

大家都学过，所以就不啰嗦了。
然后把之前条件熵式子使用上面这个公式改写一下，可以写为：

当熵和条件熵中的概率由数据估计(特别是极大似然估计)得到的时候,所对应的熵与条件熵分别称为经验熵(empirical entropy)和经验条件熵(empirical conditional entropy)

上面的式子表明，只要你能够得到联合分布和y的分布就能够求出条件熵了。事实上，还能够更加简化成为常见的形式：
这里利用上面的公式（以离散型为例子）直接推导，有

这个公式是不是简洁很多很多。只要知道联合信息熵和其中一个分量的信息熵，就能够求出条件信息熵来。
证明：

同样，如果求x已知时y的条件熵，显然也会得到类似的公式：

那么两个公式何并，就能够得到：

这个公式把复合熵、条件熵以及熵联系到一起了。它们也显示了熵的对称性。

二.相对熵

相对熵又称互熵，交叉熵，鉴别信息，Kullback熵，Kullback-Leible散度（即KL散度）等。
设p(x)和q(x)是取值的两个概率概率分布，则p对q的相对熵为:

在一定程度上面，相对熵可以度量两个随机变量的距离。也常常用相对熵来度量两个随机变量的距离。当两个随机分布相同的时候，他们的相对熵为0，当两个随机分布的差别增大的时候，他们之间的相对熵也会增大。
但是事实上面，他并不是一个真正的距离。因为相对熵是不具有对称性的，即一般来说

相对熵还有一个性质，就是不为负。

三.互信息

互信息(Mutual Information)是信息论里一种有用的信息度量，它可以看成是一个随机变量中包含的关于另一个随机变量的信息量，或者说是一个随机变量由于已知另一个随机变量而减少的不确定性。
两个随机变量X,Y的互信息，定义为X,Y的联合分布和独立分布乘积的相对熵。

那么互信息有什么更加深层次的含义呢？首先计算一个式子先：

从这个公式可以知道，X的熵减去X和Y的互信息之后，可以得到在Y给定的情况下X的熵。

四.总结

【转载】https://blog.csdn.net/xierhacker/article/details/53463567

看到好文章忍不住手痒，研究了一些皮毛，如如互信息的深层次意义，未能涉及。留待日后深研。好文共享，共勉！