熵、条件熵、联合熵、互信息的理解

熵

在信息论中，熵（entropy）是表示随机变量不确定性的度量，如果一个事件是必然发生的，那么他的不确定度为0，不包含信息。假设$X$是一个取有限个值的离散随机变量，其概率分布为：
$$P(X=x_i)=p_i$$
则随机变量$X$的熵定义为：
$$H(X)=-\sum _{i=1}^n{p}_{i}log(p_i)$$
通常上式中$log$的底数为2或$e$（自然对数），这时熵的单位分别称作比特（bit）或纳特（nat）。并且通过上述定义可知，熵的取值只依赖于$X$的分布，而与$X$的具体值无关。
以$P=0.5$的二项分布为例，熵$H$随概率$p$变化的曲线如下所示：

条件熵

设有随机变量$(X,Y)$，其联合概率分布为：
$$P(X=x_i,Y=y_j)=p_{ij},i=1,2,...,n;j=1,2,...,m$$
条件熵（conditional entropy）表示在已知随机变量$X$的条件下随机变量$Y$的不确定性，定义为$X$给定条件下$Y$的条件概率分布的熵对$X$的数学期望：
$$H(Y|X)=\sum _{i=1}^n{p}_{i}H(Y|X=x_i),p_i=P(X=x_i),i=1,2,...,n.$$
在计算条件熵时，需要先分别计算$X$取不同值时变量$Y$的熵，即$H(Y|X=x_i)$，总共$n$个（假设$X$有$n$种不同取值），然后求其对$X$的期望。

互信息

互信息，在机器学习（决策树算法）中也称为信息增益。特征$A$对训练数据集$D$的信息增益$g(D,A)$，定义为集合$D$的经验熵$H(D)$与特征$A$给定的条件下$D$的经验条件熵$H(D|A)$之差，即：
$$g(D|A)=H(D)-H(D|A)$$

联合熵

联合熵度量的是一个联合分布的随机系统的不确定度，同样以联合概率分布$(X,Y)$为例，$P(X=x_i,Y=y_j)=p_{ij},i=1,2,...,n;j=1,2,...,m$，则联合熵$H(X,Y)$的定义为：
$$H(X,Y)=-\sum _{i=1}^n\sum _{j=1}^m{p}_{ij}log(p_{ij})$$
联合熵具有以下性质（对于变量数目大于2的情况同样成立）：

1. 联合熵大于其中任一变量独立的熵： H ( X , Y ) > m a x { H ( X ) , H ( Y ) } H(X,Y)>max\{H(X),H(Y)\} H(X,Y)>max{H(X),H(Y)}
2. 联合熵小于所有变量独立熵之和：$H(X,Y)<H(X)+H(Y)$
3. $H(X,Y)=H(Y|X)+H(X)=H(X|Y)+H(Y)$
4. $g(Y|X)=H(X)+H(Y)-H(X,Y)$