作者：韩信子@ShowMeAI
教程地址：http://www.showmeai.tech/tutorials/83
本文地址：http://www.showmeai.tech/article-detail/164
声明：版权所有，转载请联系平台与作者并注明出处

信息论是运用概率论与数理统计的方法研究信息、信息熵、通信系统、数据传输、密码学、数据压缩等问题的应用数学学科。信息论中包含的知识和概念在机器学习中也有应用，典型的例子是其核心思想『熵』的应用。

例如，决策树模型ID3、C4.5中是利用信息增益来确定划分特征而逐步生长和构建决策树的；其中，信息增益就是基于信息论中的熵。

1.熵（Entropy）

熵是1854年由克劳休斯提出的一个用来度量体系混乱程度的单位，并阐述了热力学第二定律熵增原理：在孤立系统中，体系与环境没有能量交换，体系总是自发的向混乱度增大的方向变化，使整个系统的熵值越来越大。

熵越大，表征的随机变量的不确定度越大，其含有的信息量越多。

随机变量$ X $可能的取值为

$$ \left\{ x_{1},x_{2} ,\dots ,x_{n} \right\} $$

其概率分布为$ P\left( X=x_{i} \right) =p_{i} $，$ i = 1, 2, \dots, n $，则随机变量$ X $的熵定义为$ H(X) $：

$$ H\left( X \right) =-\sum_{i=1}^{n}{P\left( x_{i} \right) logP\left( x_{i} \right) } =\sum_{i=1}^{n}{P\left( x_{i} \right) \frac{1}{logP\left( x_{i} \right) } } $$

2.联合熵（Joint Entropy ）

联合熵，就是度量一个联合分布的随机系统的不确定度。分布为$ P(x,y) $的一对随机变量$ (X,Y) $，其联合熵定义为：

$$ H\left( X,Y \right) =-\sum_{i=1}^{n}{\sum_{j=1}^{n}{P\left( x_{i} ,y_{j} \right)} logP\left( x_{i},y_{j} \right) } =E\left[ \log\frac{1}{p(x,y)} \right] $$

联合熵的物理意义，是观察一个多随机变量的随机系统获得的信息量，是对二维随机变量$ (X,Y) $不确定性的度量。

3.条件熵（Conditional Entropy）

$ Y $的条件熵是指『在随机变量$ X $发生的前提下，随机变量$ Y $发生新带来的熵』，用$ H(Y | X) $表示：

$$ H\left(Y|X \right) =-\sum_{x,y}^{}{P\left( x,y \right) logP\left( y|x \right) } $$

条件熵的物理意义，在得知某一确定信息的基础上获取另外一个信息时所获得的信息量，用来衡量在已知随机变量的$ X $条件下，随机变量$ Y $的不确定性。

4.相对熵（Kullback–Leibler divergence）

相对熵在信息论中用来描述两个概率分布差异的熵，叫作KL散度、相对熵、互熵、交叉熵、信息增益。对于一个离散随机变量的两个概率分布$ P $和$ Q $来说，它们的相对熵定义为：

$$ D\left( P||Q \right) =\sum_{i=1}^{n}{P\left( x_{i} \right) log\frac{P\left( x_{i} \right) }{Q\left( x_{i} \right) } } $$

注意：公式中$ P $表示真实分布，$ Q $表示$ P $的拟合分布，$ D(P||Q) ≠ D(Q||P) $

相对熵表示当用概率分布$ Q $来拟合真实分布$ P $时，产生的信息损耗。

5.互信息（Mutual Information）

互信息是信息论里一种有用的信息度量方式，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肯定性。

互信息的计算方式定义如下：

$$ I\left( X,Y \right) =\sum_{x\in X}^{}{\sum_{y\in Y}^{}{P\left( x,y \right) } log\frac{P\left( x,y \right) }{P\left( x \right) P\left( y \right) } } $$

6.常用等式（useful equations）

1）条件熵、联合熵与熵之间的关系

$$ H\left( Y|X \right) =H\left( X,Y\right) -H\left( X \right) $$

推导过程如下：

$$ \begin{array}{l} H(X, Y)-H(X) \\ =-\sum_{x, y} p(x, y) \log p(x, y)+\sum_{x} p(x) \log p(x) \\ =-\sum_{x, y} p(x, y) \log p(x, y)+\sum_{x}\left(\sum_{y} p(x, y)\right) \log p(x) \\ =-\sum_{x, y} p(x, y) \log p(x, y)+\sum_{x, y} p(x, y) \log p(x) \\ =-\sum_{x, y} p(x, y) \log \frac{p(x, y)}{p(x)} \\ =-\sum_{x, y} p(x, y) \log p(y \mid x) \end{array} $$

第二行推到第三行的依据是边缘分布$ P(x) $等于联合分布$ P(x,y) $的和；
第三行推到第四行的依据是把公因子$ logP(x) $乘进去，然后把$ x,y $写在一起；
第四行推到第五行的依据是：因为两个$ \sigma $都有$ P(x,y) $，故提取公因子$ P(x,y) $放到外边，然后把里边的$ -（log P(x,y) - log P(x)） $写成$ - log (P(x,y) / P(x) ) $；
第五行推到第六行的依据是：$ P(x,y) = P(x) * P(y|x) $，故$ P(x,y) / P(x) = P(y|x) $。

2）条件熵、联合熵与互信息之间的关系

$$H\left( Y|X \right) =H\left( Y \right) -I\left( X,Y \right)$$

推导过程如下：

$$ \begin{array}{l} H(Y)-I(X, Y) \\ =-\sum_{y} p(y) \log p(y)-\sum_{x, y} p(x, y) \log \frac{p(x, y)}{p(x) p(y)} \\ =-\sum_{y}\left(\sum_{x} p(x, y)\right) \log p(y)-\sum_{x, y} p(x, y) \log \frac{p(x, y)}{p(x) p(y)} \\ =-\sum_{x, y} p(x, y) \log p(y)-\sum_{x, y} p(x, y) \log \frac{p(x, y)}{p(x) p(y)} \\ =-\sum_{x, y} p(x, y) \log \frac{p(x, y)}{p(x)} \\ =-\sum_{x, y} p(x, y) \log p(y \mid x) \\ =H(Y \mid X) \end{array} $$

3）互信息的定义

由上方的两个公式

$ H(Y|X) = H(Y) - I(X,Y) $
$ H(Y|X) = H(X,Y) - H(X) $

可以推出$ I(X,Y)= H(X) + H(Y) - H(X,Y) $，此结论被多数文献作为互信息的定义

7.最大熵模型（Max Entropy Model）

机器学习领域，概率模型学习过程中有一个最大熵原理，即学习概率模型时，在所有可能的概率分布中，熵最大的模型是最好的模型。

通常用约束条件来确定模型的集合，所以最大熵模型原理也可以表述为：在满足约束条件的模型集合中，选取熵最大的模型。

前面我们知道，若随机变量$ X $的概率分布是$ P\left( x_{i} \right) $，其熵的定义如下：

$$ H\left( X \right) =-\sum_{i=1}^{n}{P\left( x_{i} \right) logP\left( x_{i} \right) } =\sum_{i=1}^{n}{P\left( x_{i} \right) \frac{1}{logP\left( x_{i} \right) } } $$

熵满足下列不等式：$ 0\leq H\left( X \right) \leq log\left| X \right| $

$ |X| $是 \)X \)的取值个数
当且仅当$ X $的分布是均匀分布时，右边的等号成立；也就是说，当$ X $服从均匀分布时，熵最大。

直观地看，最大熵原理认为：

要选择概率模型，首先必须满足已有的事实，即约束条件；
在没有更多信息的情况下，那些不确定的部分都是『等可能的』。最大熵原理通过熵的最大化来表示等可能性；『等可能』不易操作，而熵则是一个可优化的指标。

图解AI数学基础 | 信息论