【No5】信息与熵

本篇内容主要讲清信息与熵的概念,为EM算法打下基础。

信息:i(x)=-log(p(x))如果说概率p是对确定性的度量,那么信息就是对不确定性的度量。

独立事件的信息:如果两个事件x和y相互独立,即p(xy)=p(x)p(y),假定x和y的信息量分别为i(x)和i(y),则二者同时发生的信息量应该为i(x^y)=i(x)+i(y)

熵:是对随机变量不确定性的度量。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成都的一个度量。

不确定性越大,熵值越大;若随机变量退化为定值,熵为0。熵是自信息的期望。

下图为熵的公式:


熵其实定义了一个函数(概率分布函数)到一个值(信息熵)的映射。


单独的-xlog(x)的函数图像如上左图。

熵是所有情况的集合,所以某事件发生的概率为x,那么不发生的概率为(1-x),以跑硬币为例,出现正面的概率为x,出现反面的概率为(1-x),则整个事件应该计算正面与反面所有的情况,即上右图的公式。

根据上右图的概率图,可以返现,当P=0或1的时候,抛硬币的时间最稳定,H(x)最小,当x=0.5,即正面与反面出现的概率相等时,H(x)最大,抛硬币这个时间最不稳定。

其他关于熵的概念:

平均互信息:决策树中的“信息增益”,其实就是平均互信息I(x,y),衡量X,Y的相似性。


联合熵:两个随机变量x,y的联合分布,可以形成联合熵Joint Entropy,H(X,Y)表示。不能做误差衡量。

条件熵:在随机变量X发生的情况下,随机变量Y发生所新带来的熵定义为Y的条件熵,用H(Y|X),用来衡量在已知随机变量X的情况下随机变量Y的不确定性。可用来计算交叉熵。H(Y|X)=H(X,Y)-H(X),表示(X,Y)发生所包含的熵减去X单独发生包含的熵。

交叉熵:H(T;Y),衡量两个概率分布的差异性,逻辑回归中 的代价函数用到了交叉熵。

相对熵:KL散度,也是衡量两个概率分布的差异性。


小结:信息与熵介绍了很多概念,这些概念单独去看有两个感受不知道重点,不知道怎么用。等到EM算法推导看不懂公式时,再回来看这些概念会好很多,在学习有些需要“死记”这些知识。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,839评论 6 482
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,543评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 153,116评论 0 344
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,371评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,384评论 5 374
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,111评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,416评论 3 400
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,053评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,558评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,007评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,117评论 1 334
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,756评论 4 324
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,324评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,315评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,539评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,578评论 2 355
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,877评论 2 345

推荐阅读更多精彩内容

  • 熵的相关概念,第一次在决策树那章做了简单介绍,但是要想正确理解熵的确实需要下一番功夫。这次,我们在最大熵模型这章继...
    559fb24f07f0阅读 5,269评论 2 11
  • 本系列第三篇,承接前面的《浅谈机器学习基础》和《浅谈深度学习基础》。 自然语言处理绪论 什么是自然语言处理? 自然...
    我偏笑_NSNirvana阅读 17,520评论 2 68
  • 信息是我们一直在谈论的东西,但信息这个概念本身依然比较抽象。但信息可不可以被量化,怎样量化?答案当然是有的,那就是...
    哈劳斯军士阅读 3,646评论 0 3
  • 信息熵与编码定理 [toc] 惊奇度与信息量 定性描述 惊奇度:一个事件的惊奇度是指该事件发生时我们所感到的惊奇程...
    Like_eb56阅读 2,504评论 0 0
  • 摘要:在深度学习之前已经有很多生成模型,但苦于生成模型难以描述难以建模,科研人员遇到了很多挑战,而深度学习的出现帮...
    肆虐的悲傷阅读 11,253评论 1 21