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:

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。
+ s& y% r# N9 S) U1 ?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。

: {# p8 j6 o8 H* s8 h三.互信息
5 V8 @3 N; p" f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。
& Q# k% q5 M0 d( D
% ?. o. z# z; R9 V! h7 b) X
9 p2 Z' c& |* I. k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：
, J! `7 R8 M* b6 H4 r2 o
0 S' K5 @& s* s

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

- z+ N; R$ J4 X% E9 ~" @

+ F0 v) U0 X4 w1 u2 J