机器学习中的距离/散度/熵

一、信息量

定义：用一个信息的编码长度。
性质：编码长度与出现的概率成负相关。（如：哈夫曼编码）
公式（0/1编码）
I=log⁡2(1p(x))=−log⁡2(p(x))I=\log_2(\frac{1}{p(x)})=-\log_2(p(x))I=log2(p(x)1)=−log2(p(x))

二、信息熵

定义：一个分布的信息量。（编码的平均长度/信息量的均值）
公式
H(p)=∑xp(x)log2(1p(x))=−∑xp(x)log⁡2(p(x))H(p)=\sum_x{p(x)log_2(\frac{1}{p(x)})}=-\sum_x{p(x)\log_2(p(x))}H(p)=x∑p(x)log2(p(x)1)=−x∑p(x)log2(p(x))

三、交叉熵 cross-entropy

定义：用猜测的分布(p)(p)(p)的编码方式编码真实的分布(q)(q)(q)，得到的平均编码长度/信息量均值。
因为参考的博客公式推导有冲突，有人认为p为真实分布，我暂且认为q为真实分布。\color{red}{因为参考的博客公式推导有冲突，有人认为p为真实分布，我暂且认为q为真实分布。}因为参考的博客公式推导有冲突，有人认为p为真实分布，我暂且认为q为真实分布。
公式
Hp(q)=∑xq(x)log⁡2(1p(x))H_p(q)=\sum_x{q(x)\log_2(\frac{1}{p(x)})}Hp(q)=x∑q(x)log2(p(x)1)
意义：不同分布之间的距离度量。
应用：最后的损失函数。（交叉熵本质上相当于衡量两个编码方式之间的差值，只有当猜测的分布约接近于真实分布，其值越小）
具体说明，详见信息量，信息熵，交叉熵，KL散度和互信息（信息增益），没太懂，以后遇到再细看\color{red}{没太懂，以后遇到再细看}没太懂，以后遇到再细看。

四、KL散度（相对熵）

别名：KL距离、相对熵。（D(q∣∣p)、Dq(p):q对p的相对熵D(q||p)、D_q(p):q对p的相对熵D(q∣∣p)、Dq(p):q对p的相对熵）
公式（相对熵=交叉熵-信息熵）
Dq(p)=Hq(p)−H(p)=∑xp(x)log⁡2(p(x)q(x))D_q(p)=H_q(p)-H(p)=\sum_x{p(x)\log_2(\frac{p(x)}{q(x)})}Dq(p)=Hq(p)−H(p)=x∑p(x)log2(q(x)p(x))
意义：同一随机事件+不同分布间的距离度量。
图示
性质（非负性）：Dq(p)≥0D_q(p)\geq0Dq(p)≥0。

四、联合信息熵和条件信息熵

公式
a. 联合信息熵
H(X,Y)=∑x,yp(x,y)log⁡2(1p(x,y))H(X,Y)=\sum_{x,y}p(x,y)\log_2(\frac{1}{p(x,y)})H(X,Y)=x,y∑p(x,y)log2(p(x,y)1)
b. 条件信息熵
H(Y∣X)=H(X,Y)−H(X)H(Y|X)=H(X,Y)-H(X)H(Y∣X)=H(X,Y)−H(X)
=∑xp(x)∑yp(y∣x)log⁡2(1p(y∣x))=\sum_xp(x)\sum_yp(y|x)\log_2(\frac{1}{p(y|x)})=x∑p(x)y∑p(y∣x)log2(p(y∣x)1)
=∑x,yp(x,y)log⁡2(1p(y∣x))=\sum_{x,y}p(x,y)\log_2(\frac{1}{p(y|x)})=x,y∑p(x,y)log2(p(y∣x)1)
意义：联合分布是同一个分布中两变量相互影响的关系。
图示

五、互信息（信息增益）

定义：一个联合分布中两个信息的纠缠程度/相互影响那部分的信息量
公式
I(X,Y)=H(X)+H(Y)−H(X,Y)I(X,Y)=H(X)+H(Y)-H(X,Y)I(X,Y)=H(X)+H(Y)−H(X,Y)
=H(Y)−H(Y∣X)=H(Y)-H(Y|X)=H(Y)−H(Y∣X)
性质（非负性）：I(X,Y)≥0I(X,Y)\geq0I(X,Y)≥0。
图示
应用：决策树。

六、variation of information

定义：联合分布（即同一个分布）两个变量相互影响的关系。
公式
V(X,Y)=H(X,Y)−I(X,Y)V(X,Y)=H(X,Y)-I(X,Y)V(X,Y)=H(X,Y)−I(X,Y)
意义：度量不同随机变量间的差别。
V(X,Y)=0V(X,Y)=0V(X,Y)=0：说明这两个变量完全一致。
V(X,Y)V(X,Y)V(X,Y)值越大说明两个变量越独立。

参考：

信息量，信息熵，交叉熵，KL散度和互信息（信息增益）
KL散度、JS散度、Wasserstein距离
一文搞懂散度(KL，MMD距离、Wasserstein距离)

机器学习中的距离/散度/熵相关推荐

机器学习中使用的交叉熵（cross entropy）透彻分析
从字面分析交叉熵,1是交叉.2是熵(熵与信息量有关):首先交叉熵涉及信息论里面的东西,想要彻底理解交叉熵就要明白此概念跟信息量的关系以及里边的熵怎么理解. (1)信息量衡量信息量可以用大小或者多少来 ...
机器学习中的距离和损失函数
文章目录 13.1 距离度量 13.2 损失函数 13.1 距离度量距离函数种类:欧式距离.曼哈顿距离.明式距离(闵可夫斯基距离).马氏距离.切比雪夫距离.标准化欧式距离.汉明距离.夹角余弦等常用 ...
机器学习中的距离公式
1. 欧氏距离,最常见的两点之间或多点之间的距离表示法,又称之为欧几里得度量,它定义于欧几里得空间中,如点 x = (x1,...,xn) 和 y = (y1,...,yn) 之间的距离为: (1)二 ...
转载漫谈机器学习中的距离和相似性度量方法
ref http://blog.jobbole.com/84876/ 转载于:https://www.cnblogs.com/jiajiaxingxing/p/4530037.html
一文总览机器学习中各种【熵】的含义及本质
https://www.toutiao.com/a6681435530564993544/ 2019-04-19 11:02:15 机器学习领域有一个十分有魅力的词:熵.然而究竟什么是熵,相信多数人都 ...
机器学习中的损失函数（交叉熵损失、Hinge loss）
损失函数文章目录损失函数 1 交叉熵损失 1.1 从最大似然估计到交叉熵损失概率论中的MLE 机器学习中的MLE 交叉熵损失 1.2 多分类的交叉熵损失函数 1.3 比较 2. Hinge lo ...
一文搞懂交叉熵在机器学习中的使用，透彻理解交叉熵背后的直觉
关于交叉熵在loss函数中使用的理解交叉熵(cross entropy)是深度学习中常用的一个概念,一般用来求目标与预测值之间的差距.以前做一些分类问题的时候,没有过多的注意,直接调用现成的库,用起 ...
机器学习中的分类距离
https://www.toutiao.com/a6710061523777094151/ 生活中,距离通常是用于形容两个地方或两个物体之间的远近.在人工智能机器学习领域,常使用距离来衡量两个样本之间 ...
机器学习中的数学——距离定义（二十）：相对熵（Relative Entropy）/KL散度（Kullback-Leibler Divergence）
分类目录:<机器学习中的数学>总目录相关文章: · 距离定义:基础知识 · 距离定义(一):欧几里得距离(Euclidean Distance) · 距离定义(二):曼哈顿距离(Manh ...
机器学习中的数学——距离定义（九）：测地距离（Geodesic Distance）
分类目录:<机器学习中的数学>总目录相关文章: · 距离定义:基础知识 · 距离定义(一):欧几里得距离(Euclidean Distance) · 距离定义(二):曼哈顿距离(Manh ...

机器学习中的距离/散度/熵

一、信息量

二、信息熵

三、交叉熵 cross-entropy

四、KL散度（相对熵）

四、联合信息熵和条件信息熵

五、互信息（信息增益）

六、variation of information

参考：

机器学习中的距离/散度/熵相关推荐

最新文章

热门文章