当我们想要得到一个随机事件的概率分布时，如果没有足够的信息来完全确定其概率分布，那么最为保险的方法就是选择一个使得熵最大的分布。

最大熵模型

1.信息论知识
- 1.1信息熵的概念
- 1.2.条件熵
- 1.3相对熵
- 1.4互信息
- 1.5几个量之间的关系
2.无约束条件
3.最大熵原理
- 3.1构造约束条件
- 3.2求解概率分布

1.信息论知识

这里就照搬我写的一篇关于决策树的内容了。原文链接：决策树与随机森林(从入门到精通)

1.1信息熵的概念

设离散型随机变量X的取值有x1,x2,x3,...,xnx_{1},x_{2},x_{3},...,x_{n}x1,x2,x3,...,xn，其发生概率分别为p1,p2,p3,...,pnp_{1},p_{2},p_{3},...,p_{n}p1,p2,p3,...,pn，那么就可以定义信息熵为：

一般对数的底数是2，当然也可以换成e，当对数底数为2时，信息熵的单位为比特，信息熵也称香农熵。当对数不为2而是其他大于2的整数r时，我们称信息熵为r-进制熵，记为Hr(X)H_{r}(X)Hr(X)，它与信息熵转换公式为：

信息熵用以描述信源的不确定度，概率越大，可能性越大，但是信息量越小，不确定性越小，熵越小。

1.2.条件熵

设随机变量(X,Y)具有联合概率分布：

条件熵H(Y∣X)H(Y|X)H(Y∣X)表示在已知随机变量X的条件下随机变量Y的不确定性。可以这样理解：(X,Y)发生所包含的熵，减去X单独发生的熵，就是在X发生的前提下，Y发生新带来的熵。
所以条件熵有如下公式成立：

推导如下：

1.3相对熵

相对熵，又称互熵，交叉熵，鉴别信息，Kullback熵，Kullback-Leible散度等。定义如下：
设p(x)，q(x)是随机变量X中取值的两个概率分布，则p对q的相对熵为：

在信息理论中，相对熵等价于两个分布的信息熵（Shannon entropy）的差值。 即：

1.4互信息

两个随机变量X和Y的互信息，定义为X，Y的联合分布和独立分布乘积的相对熵。即：

所以根据KL散度也就是相对熵的定义，可以推出互信息的表达式如下：

继续推导如下：

所以最后有：

1.5几个量之间的关系

结合上述条件熵的两个表达式，可以进一步推出：

当然我们也可以根据熵的定义来直接推出上面这个互信息的公式：

同时我们也可以得到两个不等式：

上面这个不等式告诉我们，对于一个与X相关的随机变量Y，只要我们得知了一点关于Y的信息，那么X的不确定度就会减小。
最后，借助强大的韦恩图来记住这些关系：

2.无约束条件

假设有一随机变量X是离散的，我们只是知道它有K个可能的取值，其余什么信息都不知道，那么我们该如何估计才能使得熵最大呢？

X	1…K
p	p1…pK
根据上面熵的定义，我们知道我们要做的其实就是：

概率相加为1这个条件肯定得是天然满足的，换成求最小值：

同样利用拉格朗日乘子法，我们令：

我们让L对pip_{i}pi求导得：

可以看到，每一个pip_{i}pi都是一个相等的常数，又因为相加为1，所以每一个取值发生的概率都相等并且为1/K。因此，不知道任何已知条件的情况下，离散的随机变量均匀分布时，它的熵最大。

3.最大熵原理

我们设数据集为(x1,x2,...,xN)(x_{1},x_{2},...,x_{N})(x1,x2,...,xN)。
最大熵原理认为：在所有可能的概率模型中，熵最大的模型为最好的概率模型。求最大熵模型的步骤大致为：

根据已知约束条件筛选出可能的概率模型
在所有可能的概率模型中选出一个熵最大的模型作为最终的模型。

3.1构造约束条件

我们第一步要根据已知条件筛选出可能的概率模型，那么什么才是已知条件？这个需要我们自己构造，构造步骤如下：

我们定义一个f(x)，f(x)是任意一个关于随机变量x的函数，我们称它为特征函数。
根据我们上面给出的训练数据集，我们可以得到f(x)的经验分布为p^(f(x))\hat{p}(f(x))p^(f(x))，进而求得其经验分布的期望为：Ep^[f(x)]E_{\hat{p}}[f(x)]Ep^[f(x)]=一个已知量。
解释一下经验分布：p^(f(x1))\hat{p}(f(x1))p^(f(x1))=x1x_{1}x1在训练集中出现的次数/样本集的总数目。

为什么我们要定义一个经验概率分布呢？ 因为如果我们判断的随机变量x的概率分布是正确的，那么我们定义一个任意一个特征函数f(x)，算出它的经验概率分布的期望，应该就等于f(x)真实的期望，这样我们就构造了一个约束条件。

3.2求解概率分布

那么我们最终要求解的就是：

其中δ\deltaδ已知。利用拉格朗日乘子法，我们令：

其中λ0是一个常数，λ是一个列向量，\lambda_{0}是一个常数，\lambda是一个列向量，λ0是一个常数，λ是一个列向量，f(x)也是一个列向量，它们都是Q维。我们让L对p(x)p(x)p(x)求导得：

于是我们就得到了p(x)p(x)p(x)的具体值，也就是x的具体分布。剩余参数可以通过KKT条件来求，这里就不再叙述了，具体可以参考：强对偶性、弱对偶性以及KKT条件的证明（对偶问题的几何证明）

机器学习---最大熵模型（MEM）小结相关推荐

机器学习--最大熵模型
参考链接:https://www.jianshu.com/p/e7c13002440d https://www.cnblogs.com/wxquare/p/5858008.html 详解机器学习中的熵 ...
机器学习-最大熵模型
最大熵模型是一种分类模型,它学习之后对某个x判断的结果是一个概率,即对一个自变量,它的分类分别是y1,y2,y3-yn的概率,然后概率最大的分类结果就是我们所要的结果分类ym. 最大熵原理最大熵原理 ...
最大熵模型(MEM)
最大熵模型的优点在于可以添加任意自定义特征,且不需要保持维度一致性(通俗而言,就是每个样本满足哪些特征,就放哪些特征:特征函数的取值均为 0 或 1:放进来的特征即表示该样本在该特征维度上取值为 1, ...
最大熵（max entropy）模型原理小结
最大熵(max entropy)模型原理小结 1. 认识各种"熵" 1.1 信息量:信息的度量 1.2 熵:信息量的期望,不确定性的度量 1.3 联合熵 1.4 条件熵 1.5 互 ...
【机器学习基础】数学推导+纯Python实现机器学习算法22：最大熵模型
Python机器学习算法实现 Author:louwill Machine Learning Lab 最大熵原理(Maximum Entropy Principle)是一种基于信息熵理论的一般原理,在 ...
【机器学习】LR与最大熵模型的关系
逻辑回归与最大熵模型MaxEnt的关系? 逻辑回归跟最大熵模型到底有啥区别呢? 简单粗暴的回答是:逻辑回归跟最大熵模型没有本质区别.逻辑回归是最大熵对应类别为二类时的特殊情况,也就是当逻辑回归类别扩 ...
【机器学习】最大熵模型（Maximum Entropy Model）
最大熵模型(Maximum Entropy Model,以下简称MaxEnt),MaxEnt 是概率模型学习中一个准则,其思想为:在学习概率模型时,所有可能的模型中熵最大的模型是最好的模型:若概率模型 ...
【机器学习】对数线性模型之Logistic回归、SoftMax回归和最大熵模型
来源 | AI小白入门作者 | 文杰编辑 | yuquanle 完整代码见:原文链接 1. Logistic回归分类问题可以看作是在回归函数上的一个分类.一般情况下定义二值函数,然而二值函数 ...
各种机器学习算法的应用场景分别是什么（比如朴素贝叶斯、决策树、K 近邻、SVM、逻辑回归最大熵模型）？...
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达链接:https://www.zhihu.com/question ...

机器学习---最大熵模型（MEM）小结