机器学习 最大熵模型

一.信息熵

1.信息熵
(1)概述:

该概念由克劳德·艾尔伍德·香农在1948年首次提出,最初来自于热力学中熵的概念.为避免混淆,故称为信息熵(Entropy).这是1个用于度量信息的不确定性的抽象概念.由于1条信息的信息量的大小与其不确定性有直接关系,如为了弄清楚1件高度不确定的事,就需要大量信息,因此对不确定性的度量就相当于对信息量(或预期需求的信息量)的度量

(2)定义:

信息熵$H(X)$被定义为$$H(X)=-\sum _{x}P(x){\log }_{2}P(x)$$
单位为比特(bit).信息熵也可以$e$为底数,即$$H(X)=-\sum _{x}P(x)\ln P(x)$$此时单位为奈特(nat).变量的不确定性越大,信息熵也就越大:当$X\sim U(a,b)$时,信息熵最大;当$X$为定值时,信息熵最小;在给定均值$\mu$和方差${\sigma }^2$的前提下,当$X\sim N(\mu ,{\sigma }^2)$时,信息熵最大

(3)最大熵定理:

最大熵定理表明$$0\le H(X)\le \log |X|$$

(4)信息熵的加总:

各部分的信息熵可以进行加总:设总信息熵为$H(X)$,第$i$部分的信息熵为$H_i(X)$,第$i$部分占总体的比例为$p_i$,则$$H(X)=\sum _{i=1}^m{p}_i{H}_i(X)$$

2.联合熵
(1)概述:

联合熵(Joint Entropy)用于度量2个事件共同发生时的不确定性

(2)定义:

随机变量$X,Y$的联合熵被定义为$$H(X,Y)=-\sum _{x,y}P(x,y){\log }_{2}P(x,y)$$

3.条件熵
(1)概述:

条件熵(Conditional Entropy)用于度量在1个事件发生的前提下,另1个事件的不确定性

注:当熵和条件熵中的概率由数据估计(特别是极大似然估计)得到时,称为经验熵(Empirical Entropy)和经验条件熵(Empirical Conditional Entropy)

(2)定义:

随机变量$X,Y$的条件熵被定义为$$H(X|Y)=H(X,Y)-H(Y)=-\sum _{x,y}P(x,y){\log }_{2}P(x|y)$$可证明$H(X|Y)\le H(X)$

4.相对熵
(1)概述:

相对熵(Relative Entropy)又称交叉熵/互熵(Cross Entropy),鉴别信息(Authentication Information),库尔贝克-莱布勒熵(Kullback-Leibler Entropy),库尔贝克-莱布勒散度(Kullback-Leibler Divergence;KL Divergence)或信息散度(Information Divergence),是2个概率分布间差异的非对称性度量

(2)定义:

概率分布$P(x),Q(x)$的相对熵被定义为$$KL(P||Q)=\sum _{x}P(x)\frac{{\log }_{2}P(x)}{{\log }_{2}Q(x)}=E_{x\sim P(x)}({\log }_2\frac{P(x)}{Q(x)})\ge 0$$当且仅当$P=Q,KL(P||Q)=0$.通常$KL(P||Q)\ne KL(Q||P)$

(3)概率分布的近似:

假设存在某个未知的概率分布$P$,希望使用概率分布$Q$来近似$P$,则有2种可能的目标:
①目标为$$\underset{Q}{\min }KL(Q|P)$$此时需要在$P$接近0的位置,$Q$也尽可能接近0,会得到比较窄的分布
②目标为$$\underset{Q}{\min }KL(P|Q)$$此时需要在$P$远离0的位置,$Q$也尽可能远离0,会得到比较宽的分布

5.互信息
(1)概述:

互信息(Mutual Information)用于度量1个事件中包含的关于另1个事件的信息量

(2)定义:

随机变量$X,Y$的互信息被定义为$$I(X,Y)=KL(P(x,y)||P(x)P(y))=\sum _{x,y}P(x,y)\frac{{\log }_{2}P(x,y)}{{\log }_{2}P(x)P(y)}$$

(3)互信息与联合熵:

可证明$$I(X,Y)=H(X)-H(X|Y)=H(X)+H(Y)-H(X,Y)$$有些文献使用上述2式之一定义互信息

二.最大熵模型
1.最大熵原理:

"最大熵原理"(Maximum Entropy Principle)认为:在所有可能的概率模型中,熵最大的模型是最好的模型.若模型需要满足一些约束条件,则
最大熵原理要求在所有满足已知约束条件的模型中,找到熵最大的那个.也就是说在满足所有约束条件的前提下,不对未知情况做任何主观假设(称为
"无偏(好)原则",要求概率分布尽可能均匀).这时模型的熵最大,预测风险最小

2.最大熵模型

参见:https://zhuanlan.zhihu.com/p/29978153,https://blog.csdn.net/v_july_v/article/details/40508465

(1)概念:

"最大熵模型"(Maximum Entropy Model)是将最大熵原理应用到分类问题而得到的模型,即所有满足已知约束条件的模型中熵(通常使用条件
熵)最大(等价于概率分布最均匀)的那个,比如:

已知"学习"可能是动词或名词;可能是主语,谓语,宾语或定语.令$x_1$表示"学习"为名词,$x_2$表示"学习"为动词,$y_1$表示"学习"为主语,$y_2$表示"学习"为谓语,$y_3$表示"学习"为宾语,$y_4$表示"学习"为定语.易知模型应满足$$\begin{gathered} P(x_1)+P(x_2)=1 \\ P(y_1)+P(y_2)+P(y_3)+P(y_4)=1 \end{gathered}$$根据无偏好原则,模型应满足$$\begin{gathered} P(x_1)=P(x_2) \\ P(y_1)=P(y_2)=P(y_3)=P(y_4) \end{gathered}$$故最优模型为$$\begin{gathered} P(x_1)=P(x_2)=\frac{1}{2} \\ P(y_1)=P(y_2)=P(y_3)=P(y_4)=\frac{1}{4} \end{gathered}$$若从其他渠道得知$P(y_4)=\frac{1}{20}$