利用熵和条件熵预测图书借阅

于 2022-04-01 10:22:13 发布
阅读量201 收藏 1
点赞数
分类专栏： 算法 文章标签： 熵 条件熵 Python
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/weixin_48615832/article/details/119488749
版权

信息熵的基本了解
熵与空间位置预测

样本数量

对某人借书的种类及借此种类书的数量进行统计

import pandas as pd
import numpy as np
# 横向最多显示多少个字符， 一般80不适合横向的屏幕，平时多用200
pd.set_option('display.width', 500)
# 显示所有列
pd.set_option('display.max_columns', None)

#图书类别
Book_category = ['A','B','C','D','E','F','G','H','I','J','K','N','O','P','Q','R','S','T','U','V','X','Z']
# # 读取数据
# Person_data = pd.read_excel(r'Person_8748847336.xlsx').iloc[0: , 1:]
LOAN_DATE = ['2013/1/1', '2013/1/1', '2013/1/1', '2013/1/1', '2013/1/1', '2013/2/20', '2013/4/19', '2013/4/19', '2013/4/19', '2013/4/24', '2013/4/24', '2013/4/24', '2013/4/24', '2013/4/24', '2013/4/24', '2013/4/24', '2013/4/27', '2013/5/8', '2013/5/15', '2013/5/15', '2013/5/17', '2013/6/6', '2013/6/8', '2013/6/8', '2013/10/9', '2013/10/29', '2013/10/29', '2013/11/7', '2013/11/7', '2013/11/14', '2013/11/14', '2013/11/14', '2013/11/25', '2013/12/2', '2013/12/2', '2013/12/4', '2013/12/6', '2013/12/11', '2013/12/11', '2013/12/18', '2013/12/18', '2014/1/1', '2014/1/2', '2014/2/17', '2014/2/17', '2014/3/13', '2014/3/13', '2014/4/15', '2014/4/29', '2014/4/29', '2014/4/29', '2014/5/5', '2014/9/23', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/12/2', '2014/12/2', '2014/12/2', '2014/12/4', '2014/12/4', '2015/1/14', '2015/2/28', '2015/2/28', '2015/3/5', '2015/3/5', '2015/3/5', '2015/3/5', '2015/3/11', '2015/3/11', '2015/3/11', '2015/3/12', '2015/3/12', '2015/3/12', '2015/3/12', '2015/3/12', '2015/3/19', '2015/3/19']
time_number = ['2013/1/1', '2013/2/20', '2013/4/19', '2013/4/24', '2013/4/27', '2013/5/8', '2013/5/15', '2013/5/17', '2013/6/6', '2013/6/8', '2013/10/9', '2013/10/29', '2013/11/7', '2013/11/14', '2013/11/25', '2013/12/2', '2013/12/4', '2013/12/6', '2013/12/11', '2013/12/18', '2014/1/1', '2014/1/2', '2014/2/17', '2014/3/13', '2014/4/15', '2014/4/29', '2014/5/5', '2014/9/23', '2014/10/10', '2014/12/2', '2014/12/4', '2015/1/14', '2015/2/28', '2015/3/5', '2015/3/11', '2015/3/12', '2015/3/19']
ITEM_CALLNO = ['H', 'H', 'H', 'H', 'H', 'D', 'F', 'F', 'F', 'D', 'E', 'E', 'D', 'D', 'D', 'F', 'F', 'H', 'B', 'B', 'B', 'C', 'D', 'D', 'I', 'F', 'I', 'F', 'D', 'I', 'F', 'F', 'D', 'F', 'F', 'H', 'F', 'F', 'F', 'F', 'D', 'F', 'D', 'D', 'D', 'K', 'K', 'D', 'I', 'I', 'I', 'D', 'H', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'F', 'K', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'J', 'D']

N = len(ITEM_CALLNO)    #样本数量
t_n = len(time_number)    #次数
B_N = len(Book_category)
print("样本数量：",N)
#列表转化为字典
def Book_list_to_dic():
    Book_data_dic = {}
    for B in Book_category:
        Book_data_dic[B] = 0
    for B_I in ITEM_CALLNO:
        Book_data_dic[B_I] += 1
    return Book_data_dic

Book_data_dic = Book_list_to_dic()
print("借书种类及数量统计：\n",Book_data_dic)

结果：

样本数量： 85
借书种类及数量统计：
{'A': 0, 'B': 3, 'C': 1, 'D': 44, 'E': 2, 'F': 17, 'G': 0, 'H': 8, 'I': 6, 'J': 1, 'K': 3, 'N': 0, 'O': 0, 'P': 0, 'Q': 0, 'R': 0, 'S': 0, 'T': 0, 'U': 0, 'V': 0, 'X': 0, 'Z': 0}

借某种类书的概率

计算借某种类书的概率，即先计算熵公式中的P(Xi)
在这里插入图片描述

import pandas as pd
from sympy import *
# 横向最多显示多少个字符， 一般80不适合横向的屏幕，平时多用200
pd.set_option('display.width', 500)
# 显示所有列
pd.set_option('display.max_columns', None)

#图书类别
Book_category = ['A','B','C','D','E','F','G','H','I','J','K','N','O','P','Q','R','S','T','U','V','X','Z']
# # 读取数据
# Person_data = pd.read_excel(r'Person_8748847336.xlsx').iloc[0: , 1:]
LOAN_DATE = ['2013/1/1', '2013/1/1', '2013/1/1', '2013/1/1', '2013/1/1', '2013/2/20', '2013/4/19', '2013/4/19', '2013/4/19', '2013/4/24', '2013/4/24', '2013/4/24', '2013/4/24', '2013/4/24', '2013/4/24', '2013/4/24', '2013/4/27', '2013/5/8', '2013/5/15', '2013/5/15', '2013/5/17', '2013/6/6', '2013/6/8', '2013/6/8', '2013/10/9', '2013/10/29', '2013/10/29', '2013/11/7', '2013/11/7', '2013/11/14', '2013/11/14', '2013/11/14', '2013/11/25', '2013/12/2', '2013/12/2', '2013/12/4', '2013/12/6', '2013/12/11', '2013/12/11', '2013/12/18', '2013/12/18', '2014/1/1', '2014/1/2', '2014/2/17', '2014/2/17', '2014/3/13', '2014/3/13', '2014/4/15', '2014/4/29', '2014/4/29', '2014/4/29', '2014/5/5', '2014/9/23', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/12/2', '2014/12/2', '2014/12/2', '2014/12/4', '2014/12/4', '2015/1/14', '2015/2/28', '2015/2/28', '2015/3/5', '2015/3/5', '2015/3/5', '2015/3/5', '2015/3/11', '2015/3/11', '2015/3/11', '2015/3/12', '2015/3/12', '2015/3/12', '2015/3/12', '2015/3/12', '2015/3/19', '2015/3/19']
time_number = ['2013/1/1', '2013/2/20', '2013/4/19', '2013/4/24', '2013/4/27', '2013/5/8', '2013/5/15', '2013/5/17', '2013/6/6', '2013/6/8', '2013/10/9', '2013/10/29', '2013/11/7', '2013/11/14', '2013/11/25', '2013/12/2', '2013/12/4', '2013/12/6', '2013/12/11', '2013/12/18', '2014/1/1', '2014/1/2', '2014/2/17', '2014/3/13', '2014/4/15', '2014/4/29', '2014/5/5', '2014/9/23', '2014/10/10', '2014/12/2', '2014/12/4', '2015/1/14', '2015/2/28', '2015/3/5', '2015/3/11', '2015/3/12', '2015/3/19']
ITEM_CALLNO = ['H', 'H', 'H', 'H', 'H', 'D', 'F', 'F', 'F', 'D', 'E', 'E', 'D', 'D', 'D', 'F', 'F', 'H', 'B', 'B', 'B', 'C', 'D', 'D', 'I', 'F', 'I', 'F', 'D', 'I', 'F', 'F', 'D', 'F', 'F', 'H', 'F', 'F', 'F', 'F', 'D', 'F', 'D', 'D', 'D', 'K', 'K', 'D', 'I', 'I', 'I', 'D', 'H', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'F', 'K', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'J', 'D']

N = len(ITEM_CALLNO)    #样本数量
t_n = len(time_number)    #次数
B_N = len(Book_category)
print("样本数量：",N)
#列表转化为字典
def Book_list_to_dic():
    Book_data_dic = {}
    for B in Book_category:
        Book_data_dic[B] = 0
    for B_I in ITEM_CALLNO:
        Book_data_dic[B_I] += 1
    return Book_data_dic

Book_data_dic = Book_list_to_dic()
print("借书种类及数量统计：\n",Book_data_dic)
#计算借书种类概率
Book_Probablity_dic = Book_data_dic
for B in Book_category:
    Book_Probablity_dic[B] = Rational(Book_Probablity_dic[B], N)
print("借书种类概率:\n",Book_Probablity_dic)

结果：

样本数量： 85
借书种类及数量统计：
 {'A': 0, 'B': 3, 'C': 1, 'D': 44, 'E': 2, 'F': 17, 'G': 0, 'H': 8, 'I': 6, 'J': 1, 'K': 3, 'N': 0, 'O': 0, 'P': 0, 'Q': 0, 'R': 0, 'S': 0, 'T': 0, 'U': 0, 'V': 0, 'X': 0, 'Z': 0}
借书种类概率:
 {'A': 0, 'B': 3/85, 'C': 1/85, 'D': 44/85, 'E': 2/85, 'F': 1/5, 'G': 0, 'H': 8/85, 'I': 6/85, 'J': 1/85, 'K': 3/85, 'N': 0, 'O': 0, 'P': 0, 'Q': 0, 'R': 0, 'S': 0, 'T': 0, 'U': 0, 'V': 0, 'X': 0, 'Z': 0}

计算借书种类的熵

在这里插入图片描述
并且规定0 log(0) =0

import pandas as pd
from sympy import *
# 横向最多显示多少个字符， 一般80不适合横向的屏幕，平时多用200
pd.set_option('display.width', 500)
# 显示所有列
pd.set_option('display.max_columns', None)

#图书类别
Book_category = ['A','B','C','D','E','F','G','H','I','J','K','N','O','P','Q','R','S','T','U','V','X','Z']
# # 读取数据
# Person_data = pd.read_excel(r'Person_8748847336.xlsx').iloc[0: , 1:]
LOAN_DATE = ['2013/1/1', '2013/1/1', '2013/1/1', '2013/1/1', '2013/1/1', '2013/2/20', '2013/4/19', '2013/4/19', '2013/4/19', '2013/4/24', '2013/4/24', '2013/4/24', '2013/4/24', '2013/4/24', '2013/4/24', '2013/4/24', '2013/4/27', '2013/5/8', '2013/5/15', '2013/5/15', '2013/5/17', '2013/6/6', '2013/6/8', '2013/6/8', '2013/10/9', '2013/10/29', '2013/10/29', '2013/11/7', '2013/11/7', '2013/11/14', '2013/11/14', '2013/11/14', '2013/11/25', '2013/12/2', '2013/12/2', '2013/12/4', '2013/12/6', '2013/12/11', '2013/12/11', '2013/12/18', '2013/12/18', '2014/1/1', '2014/1/2', '2014/2/17', '2014/2/17', '2014/3/13', '2014/3/13', '2014/4/15', '2014/4/29', '2014/4/29', '2014/4/29', '2014/5/5', '2014/9/23', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/10/10', '2014/12/2', '2014/12/2', '2014/12/2', '2014/12/4', '2014/12/4', '2015/1/14', '2015/2/28', '2015/2/28', '2015/3/5', '2015/3/5', '2015/3/5', '2015/3/5', '2015/3/11', '2015/3/11', '2015/3/11', '2015/3/12', '2015/3/12', '2015/3/12', '2015/3/12', '2015/3/12', '2015/3/19', '2015/3/19']
time_number = ['2013/1/1', '2013/2/20', '2013/4/19', '2013/4/24', '2013/4/27', '2013/5/8', '2013/5/15', '2013/5/17', '2013/6/6', '2013/6/8', '2013/10/9', '2013/10/29', '2013/11/7', '2013/11/14', '2013/11/25', '2013/12/2', '2013/12/4', '2013/12/6', '2013/12/11', '2013/12/18', '2014/1/1', '2014/1/2', '2014/2/17', '2014/3/13', '2014/4/15', '2014/4/29', '2014/5/5', '2014/9/23', '2014/10/10', '2014/12/2', '2014/12/4', '2015/1/14', '2015/2/28', '2015/3/5', '2015/3/11', '2015/3/12', '2015/3/19']
ITEM_CALLNO = ['H', 'H', 'H', 'H', 'H', 'D', 'F', 'F', 'F', 'D', 'E', 'E', 'D', 'D', 'D', 'F', 'F', 'H', 'B', 'B', 'B', 'C', 'D', 'D', 'I', 'F', 'I', 'F', 'D', 'I', 'F', 'F', 'D', 'F', 'F', 'H', 'F', 'F', 'F', 'F', 'D', 'F', 'D', 'D', 'D', 'K', 'K', 'D', 'I', 'I', 'I', 'D', 'H', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'F', 'K', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'D', 'J', 'D']

N = len(ITEM_CALLNO)    #样本数量
t_n = len(time_number)    #次数
B_N = len(Book_category)
print("样本数量：",N)
#列表转化为字典
def Book_list_to_dic():
    Book_data_dic = {}
    for B in Book_category:
        Book_data_dic[B] = 0
    for B_I in ITEM_CALLNO:
        Book_data_dic[B_I] += 1
    return Book_data_dic

Book_data_dic = Book_list_to_dic()
print("借书种类及数量统计：\n",Book_data_dic)
#计算借书种类概率
Book_Probablity_dic = Book_data_dic
for B in Book_category:
    Book_Probablity_dic[B] = Rational(Book_Probablity_dic[B], N)
print("借书种类概率P:\n",Book_Probablity_dic)
#计算借书种类的熵
Book_Entrop = 0
for B in Book_category:
    if Book_Probablity_dic[B] == 0:
        Book_Entrop += 0
    else:
        Book_Entrop += (- Book_Probablity_dic[B] * log(Book_Probablity_dic[B], 2)).evalf()
print("借书种类的熵H(X):",Book_Entrop)

结果：

样本数量： 85
借书种类及数量统计：
 {'A': 0, 'B': 3, 'C': 1, 'D': 44, 'E': 2, 'F': 17, 'G': 0, 'H': 8, 'I': 6, 'J': 1, 'K': 3, 'N': 0, 'O': 0, 'P': 0, 'Q': 0, 'R': 0, 'S': 0, 'T': 0, 'U': 0, 'V': 0, 'X': 0, 'Z': 0}
借书种类概率P:
 {'A': 0, 'B': 3/85, 'C': 1/85, 'D': 44/85, 'E': 2/85, 'F': 1/5, 'G': 0, 'H': 8/85, 'I': 6/85, 'J': 1/85, 'K': 3/85, 'N': 0, 'O': 0, 'P': 0, 'Q': 0, 'R': 0, 'S': 0, 'T': 0, 'U': 0, 'V': 0, 'X': 0, 'Z': 0}
借书种类的熵H(X): 2.16560964755005
Fo*(Bi)
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
互信息 Renyi熵 条件熵 matlab代码 linux
09-10
matlab代码，包含功能：计算互信息、香农熵、Renyi熵、条件熵、加权熵、加权互信息等。用法举例： >> y = [1 1 1 0 0]'; >> x = [1 0 1 1 0]'; >> mi(x,y) %% mutual information I(X;Y) >> h(x) %% entropy H(X) >>...
数据库实验四 视图
qq_45690939的博客
04-20 2787
数据库实验四——视图
数据库实验
新橙
07-12 6032
library实验前言题1、从USER表中查询所有用户的姓名和单位。2、查询所有图书的信息。3、查询单位为“计算机学院”的用户的全部信息。4、查询已经预约但还没有借出的书的信息。5、查询借书超过60天且还没有归还的借阅证号、书号。6、查询“清华大学出版社”出版的所有中文书的书名、作者、价格。7、查询在流通总库或者是属于计算机学院资料室的尚未借出的书。8、查询价格在30元到50元之间的书。9、查询2019年的借阅历史情况。！10、查询作者为兰苓、孙海涛、刘明编写的书的书名、作者、出版社和价格。11、查询书名包
熵与空间位置预测
Fo*(Bi)的博客
08-07 1089
人类行为的预测对通讯服务、安全事务、公共健康、资源分配及信息服务等都有着重大的意义。Limits of Predictability in Human Mobility依据熵值分析得出了理论上人类空间访问行为有93%可以精确预测的(指预测下一次访问的地点，精确到手机基站覆盖的范围)，并定义了人类行为的3种熵： 用户访问不同地点的熵 即： 式中，Ni 表示历史中个体 i 所到达过的不同地点数目。 用户在不同地点被观察到的比例熵 即： 式中，pi(j) 表示个体 i 访问地点 j 的次数占总访问次数的比例。
几个常用机器学习算法 - 最大熵模型
时光杂货店
01-09 9079
作者：xg123321123出处：http://blog.csdn.net/xg123321123/article/details/54286514声明：版权所有，转载请联系作者并注明出处熵是随机变量不确定性的度量，不确定性越大，熵值越大；若随机变量退化成定值，熵为0。 如果没有外界干扰，随机变量总是趋向于无序，在经过足够时间的稳定演化，它应该能够达到的最大程度的熵。 假设离散随机变量XX的概率
SDN中基于条件熵和GHSOM的DDoS攻击检测方法
01-14
为了准确检测这种攻击的存在，提出了基于条件熵和 GHSOM（growing hierarchical SOM）神经网络的 DDoS 攻击检测方法MBCE&G 。首先，依据此DDoS的阶段性特征，定位了网络中的受损交换机以发现可疑攻击流；然后，依据...
利用matlab和ceemd进行编程求解简单的信息熵
06-06
利用matlab和ceemd进行编程求解简单的信息熵，根据求解的imf分量判断信号的情况。
一种基于条件熵的增量核求解方法
02-23
分析了增加新对象后,决策表的决策属性关于条件属性的条件熵变化原理....该算法只需找到与新对象属性值相等的条件类和决策类就可以得到新的条件熵,进而求得决策表在信息观下的增量属性核.实例证明了该算法的有效性.
基于熵权法的PHC管桩承载力组合预测
06-16
为克服单项预测方法产生的误差,利用灰色模型GM(1,N)、多元线性回归、BP神经网络等3种单项预测方法建立组合预测模型,并采用熵值法确定加权系数。通过对PHC管桩承载力进行比较预测,结果显示GM(1,N)法平均绝对百分比...
entropy计算一阶熵估计
YangYaYan的博客
05-09 2583
%entropy计算一阶熵估计 f=[119 123 168 119;123 119 168 168]; f=[f;119 119 107 119;107 107 119 119]%不想分行的写法 p=hist(f(:),8);%显示8bin直方图 p=p/sum(p)%直方图bim中的个数与总个数之比 h=entropy(f)%计算熵 ...
基于熵的特征提取
dong_lxkm的博客
09-02 7142
基于熵的特征提取 一、引言 最近一直在研究自然语言处理、文本分析相关的问题，看了不少论文，数据分析是一个非常有意思的东西，故准备写一些博文来分享近来的一点心得。 先来看一个有意思的例子，假设拥有很多用户手机装有哪些APP的数据，随便列举几个淘宝、美团、美柚、网...
对于library数据库进行的各种操作
qq_45868866的博客
05-06 1万+
查询、视图、索引、函数、储存、触发器简单查询语法规则题目加代码复杂查询视图基础知识题目加代码索引：基础知识：题目加代码函数及存储：基础知识理解：题目加代码触发器：理解触发器题目加代码 简单查询 语法规则 1.查询数据表中指定字段的内容： SELECT 基本语法规则为： SELECT 字段名 FROM 表名; 2.查询数据表中的所有内容(如果我们不记得字段名字了，我们还可以查看整张表的内容。这时候，...
数据库实验六---存储过程
yang_tang的博客
11-12 1万+
什么是存储过程？ 是一组被编译在一起的T-SQL语句的集合，它们被集合在一起以完成一个特定的任务。 存储过程的分类 系统存储过程 扩展存储过程（提供从SQL Server到外部程序的接口，以便进行各种维护活动） 用户自定义的存储过程 存储过程的作用 1.模块化编程 创建一个存储过程存放在数据库中后，就可以被其他程序反复使用。 2.执行速度快 存储过程第一次被执行后，就
对最大熵模型的一些理解
ThisWhoIam的博客
11-01 4705
一、最大熵原理 概念：对于随机变量X，其概率分布为P(X)，一般在约束条件下会有无数P(X)存在。最大熵原理就是在所有符合约束条件的P(X)中，熵最大的模型即为最优模型。 二、最大熵模型 最大熵模型，就是基于最大熵原理的分类模型。李航《统计学习方法》中对最大熵模型的描述如下： 问题1：为什么是条件熵？ 因为我们需要的是一个分类模型，也就是对于样本x，模型返回其对应的类别y，即模型应该...
时间序列分析之熵（Entropy）
敲代码的quant的博客
03-02 1万+
熵这个概念最早是用于热力学中，毕竟这个字是火字旁，用于衡量一个系统能量的不可用程度，熵越大，能量的不可用程度就越大；越小能量的不可用程度越低。它的物理意义是体系中混乱程度或者复杂程度的度量。 关于熵的应用也在不断拓展，从热力学到生物学、物理学，以及在时间序列分析上都有应用。 一、近似熵（Approximate Entropy, ApEn） 概念 近似熵是一种用于量化时间序列的不规则性或者复杂性的度...
熵是概率表现的结果
柳鲲鹏
11-03 3413
熵是概率表现的结果 　 柳鲲鹏 2009-9-13 　 关键字：熵 概率 简介：熵只是概率的一个结果，只是只为出现机会太大了以至于没有掩盖了其他可能而已。 　 　 　　热力学认为，一个封闭系统一定会由有序变为无序，进而达到熵最大的状态，也就是最混乱的状态。同样的热力学认为能量做功的时候，必然有一部分能量转化为热能而消耗掉，进而达到熵最大状态。至少在现在的世界中，这完全正确。但是世...
机器学习：信息熵决策树预测泰坦尼克数据
彭世瑜的博客
01-20 1390
决策树 思想：程序设计中分支结构if-then结构 信息熵 信息的单位：比特 H=−(P1logP1+P2logP2+...+PnlogPn)H = -(P1logP1 + P2logP2 + ... + PnlogPn)H=−(P1logP1+P2logP2+...+PnlogPn) 信息和消除不确定性相联系 信息熵越大，不确定性越大，获取信息付出的代价越大 信息熵公式 H(X)=−∑x∈XP(...
牛顿迭代法（Newton’s Method）迭代求根的Python程序
热门推荐
Fo*(Bi)的博客
10-26 4万+
参考链接： 用python算微积分及牛顿迭代求解高阶方程 不用迭代，直接得到高次方程的解： from sympy import * from sympy.abc import x def func(x): return x**3 - 0.165*x**2 + 3.993*10**(-4) result = solve(func(x),x) print(result) 结果： [-0.0437370862084818 + 0.e-24*I, 0.0623775815137495 + 0.e-22*
信息熵和条件熵 名词解释
最新发布
06-12
信息熵是指在信息论中，对于一个随机变量的不确定性程度进行量化的指标。它是对所有可能性的信息量进行平均后得到的值，用于衡量...条件熵通常用条件概率分布来计算，它可以用来衡量两个随机变量之间的相关性和依赖性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值