11、什么是熵

从名字上来看,熵给人一种很玄乎,不知道是啥的感觉。其实,熵的定义很简单,即用来表示随机变量的不确定性。之所以给人玄乎的感觉,大概是因为为何要取这样的名字,以及怎么用。
    熵的概念最早起源于物理学,用于度量一个热力学系统的无序程度。在信息论里面,熵是对不确定性的测量。

熵的引入
    事实上,熵的英文原文为entropy,最初由德国物理学家鲁道夫·克劳修斯提出,其表达式为:

它表示一个系统在不受外部干扰时,其内部最稳定的状态。后来一中国学者翻译entropy时,考虑到entropy是能量Q跟温度T的商,且跟火有关,便把entropy形象的翻译成“熵”。
    我们知道,任何粒子的常态都是随机运动,也就是"无序运动",如果让粒子呈现"有序化",必须耗费能量。所以,温度(热能)可以被看作"有序化"的一种度量,而"熵"可以看作是"无序化"的度量。
    如果没有外部能量输入,封闭系统趋向越来越混乱(熵越来越大)。比如,如果房间无人打扫,不可能越来越干净(有序化),只可能越来越乱(无序化)。而要让一个系统变得更有序,必须有外部能量的输入。

1948年,香农Claude E. Shannon引入信息(熵),将其定义为离散随机事件的出现概率。一个系统越是有序,信息熵就越低;反之,一个系统越是混乱,信息熵就越高。所以说,信息熵可以被认为是系统有序化程度的一个度量。

 

权法是一种多属性决策分析方法,用于确定多个属性在决策中的重要性权重。在 Python 中,可以使用以下步骤实现权法: 1. 收集属性值数据:首先,收集每个属性的取值数据,这些数据可以来自于实验、问卷调查或其他来源。 2. 计算属性的:对于每个属性,根据其取值的频率计算值。值衡量了属性的混乱程度,越高表示属性的取值越不确定。 3. 计算属性的权重:根据属性的值计算其权重。可以使用信息或其他相关的指标来计算权重。 4. 归一化权重:对属性的权重进行归一化处理,确保所有权重之和为1,便于后续决策分析。 在 Python 中,可以使用 numpy 或 pandas 库来处理数据和进行计算。以下是一个简单示例: ```python import numpy as np # 假设有3个属性,每个属性有5个取值 data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14, 15]]) # 计算每个属性的 entropy = np.sum(-data * np.log2(data), axis=0) # 计算属性的权重 weights = (1 - entropy / np.sum(entropy)) # 归一化权重 weights /= np.sum(weights) print(weights) ``` 以上代码演示了一个简单的权法计算示例,其中 `data` 是一个包含属性取值的 numpy 数组。通过计算每个属性的值,并根据值计算属性的权重,最后将权重进行归一化处理。 请注意,这只是一个基本的示例,实际应用中可能需要根据具体情况进行适当调整和扩展。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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