数学基础-熵及其在机器学习中的应用
熵
熵是用来衡量变量不确定性的指标,变量的不确定性越大,熵也就越大,把它搞清楚所需要的信息量就越大,用样本的分布衡量平均编码长度。熵的表达式为 ,例如盒子里有4个颜色的求,每个球的概率是,那么需要的平均编码长度为2。从下图中可以看出一件事我们越难猜测是否会发生,它的信息熵就越大
交叉熵
交叉熵是用分布q来表示分布p的平均编码长度,表达式是:, 恒成立,当q与p同分布时取等号。交叉熵是神经网络、深度学习模型的损失函数,最小化交叉熵使模型预测的输出与标记同分布。
交叉熵在机器学习中的使用-损失函数
相对熵
相对熵又被称为KL散度(Kullback–Leibler divergence,KLD) ,表示2个函数或概率分布的差异性,差异越大则相对熵越大,差异越小则相对熵越小,其表达式为
联合熵
联合熵表示(X,Y)在一起时的不确定性度量,表达式为
条件熵
条件熵是X确定时,Y的不确定性度量,表达式为
条件熵为最大熵模型的损失函数,即对数似然函数
通俗理解条件熵
信息增益
特征X对Y的信息增益表达式如下,决策树学习运用信息增益选择特征,表示给定特征X,Y的不确定性减少的程度,信息增益大的特征具有良好的分类能力。从根节点开始,计算所有特征的信息增益,选择信息增益大的特征做为叶节点。
详细说明参考 如何通俗的解释交叉熵与相对熵?
本文内容参考以下链接,写博客的目的是学习的总结和知识的共享,如有侵权,请与我联系,我将尽快处理