机器学习笔记十：各种熵总结（二）

重光兰衣

机器学习笔记十：各种熵总结（二）二.相对熵

相对熵又称互熵，交叉熵，鉴别信息，Kullback熵，Kullback-Leible散度（即KL散度）等。
设p(x)和q(x)是取值的两个概率概率分布，则p对q的相对熵为:

# _  w1 b1 V, V4 |8 L, b. V在一定程度上面，相对熵可以度量两个随机变量的距离。也常常用相对熵来度量两个随机变量的距离。当两个随机分布相同的时候，他们的相对熵为0，当两个随机分布的差别增大的时候，他们之间的相对熵也会增大。
; [+ Q# F1 P; x9 n  N1 `/ B5 I但是事实上面，他并不是一个真正的距离。因为相对熵是不具有对称性的，即一般来说 相对熵还有一个性质，就是不为负。
! d) s" `: x5 p" |/ T: F4 H' f
三.互信息
9 ^) W! i* @! N6 G2 u& t互信息(Mutual Information)是信息论里一种有用的信息度量，它可以看成是一个随机变量中包含的关于另一个随机变量的信息量，或者说是一个随机变量由于已知另一个随机变量而减少的不确定性。
两个随机变量X,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。
4 w  f/ Z/ S* f: u6 e
- `; y- U# v9 v* T% s* |
; k, H0 A7 Z% d( v4 [6 A那么互信息有什么更加深层次的含义呢？首先计算一个式子先：

从这个公式可以知道，X的熵减去X和Y的互信息之后，可以得到在Y给定的情况下X的熵。

四.总结

/ }' J; u& B! L! O

( c; f5 ~# \* [