知识卡片 信息熵

前言:本文讲解了机器学习需要用到的信息论中关于信息熵的知识,并用代码演示如何计算信息熵和互信息。

信息熵 Information Entropy

信息论中的熵(entropy)

知识卡片 信息熵_第1张图片

信息熵

知识卡片 信息熵_第2张图片

log(1/p)的图像如下,是单调递减函数,不确定性越大,事件发生的概率越小。需要指出的是,H(U)式子中的对数是以2为底数,信息熵的单位是比特;在sklearn中,以自然对数e为底。

知识卡片 信息熵_第3张图片

交叉熵 cross entropy

知识卡片 信息熵_第4张图片

交叉熵在神经网络中可以作为损失函数,用于衡量模型预测和真实的差异。

相对熵 relative entropy

知识卡片 信息熵_第5张图片

应用举例:

知识卡片 信息熵_第6张图片

条件概率中,以B来模拟A的真实情况所需要的相对熵更小,更接近真实。

相对熵的性质:

知识卡片 信息熵_第7张图片

相对熵看似可以度量距离,实际上不具有对称性,也不满足三角不等式,因而不能度量距离。「KL散度」有时也被称为『KL距离』,实际上它度量不是真正的距离,度量的是两个分布的相似程度。

JS散度

知识卡片 信息熵_第8张图片

联合熵 Joint Entropy

知识卡片 信息熵_第9张图片

知识卡片 信息熵_第10张图片

条件熵 the conditional entropy

知识卡片 信息熵_第11张图片

推导公式中,yj是某个已知的随机变量的分布,红色和蓝色部分的推导公式,用条件概率公式换算,最后得到的蓝色式子由对数相除变减法,拆开后分别符合联合熵和信息熵的定义。

互信息 Mututal Information

知识卡片 信息熵_第12张图片

式中红色是互信息的定义,蓝色为推导,互信息具有对称性 I(x,y) = I(y,x)。

文氏图图解

知识卡片 信息熵_第13张图片

左右两边各位X和Y的信息熵也可以称为边缘熵,红色和蓝色圆圈的部分是X和Y的条件熵,中间紫色部分是互信息,两个圆重叠的部分是联合熵。

代码演示-信息熵和互信息的计算

演示内容:香农信息熵的计算(例1和例2分别为两种不同类型的输入)以及互信息的计算(例3)。其中log默认为自然对数。

代码如下:

import numpy as np

from math import log

#例1:计算信息熵(x1,x2,x3 已知概率分布)

print("例1:") 

def calc_ent(x):   

    ent = 0.0 # entropy 熵

    for p in x:

        ent -= p * np.log(p) # 信息熵计算公式

    return ent

 

x1=np.array([0.4, 0.2, 0.2, 0.2]) # 概率分布 第一个信号的概率0.4 ....

x2=np.array([1]) # 肯定发生

x3=np.array([0.2, 0.2, 0.2, 0.2, 0.2]) # 五个信号发生的概率相同

print ("x1的信息熵:", calc_ent(x1))

print ("x2的信息熵:", calc_ent(x2))

print ("x3的信息熵:", calc_ent(x3))

print("") 

'''

例1:
x1的信息熵: 1.3321790402101223
x2的信息熵: 0.0
x3的信息熵: 1.6094379124341005

'''

#例2:计算信息熵(此时给定了信号发生情况,需要要计算概率) 

print("例2:") 

def calcShannonEnt(dataSet):  

    length,dataDict=float(len(dataSet)),{}

  # 获取数据集长度,字典存放信号名称和次数

    for data in dataSet:  # 遍历数据集,统计各事件发生的次数

        try:dataDict[data]+=1  

        except:dataDict[data]=1  

    return sum([-d/length*log(d/length) for d in list(dataDict.values())])  

# 例2中x1,x2,x3的信号发生的概率和例一种x1,x2,x3的概率相同

print("x1的信息熵:", calcShannonEnt(['A','B','C','D','A'])) 

print("x2的信息熵:",calcShannonEnt(['A','A','A','A','A'])) 

print("x3的信息熵:",calcShannonEnt(['A','B','C','D','E'])) 

'''

例2:
x1的信息熵: 1.3321790402101223
x2的信息熵: 0.0
x3的信息熵: 1.6094379124341005

'''

#例3:计算互信息(输入:给定的信号发生情况,其中联合分布手工给出)

print("") 

print("例3:") 

# 根据互信息的计算公式,I(x;y)=H(x)+H(y)-H(x,y),仍然使用例2中的函数

Ent_x4=calcShannonEnt(['3',  '4',   '5',  '5', '3',  '2',  '2', '6', '6', '1']) 

Ent_x5=calcShannonEnt(['7',  '2',   '1',  '3', '2',  '8',  '9', '1', '2', '0'])

Ent_x4x5=calcShannonEnt(['37', '42', '51', '53', '32', '28', '29', '61', '62', '10', '37', '42'])

MI_x4_x5=Ent_x4+Ent_x5-Ent_x4x5

print ("x4和x5之间的互信息:",MI_x4_x5)

'''

例3:

x4和x5之间的互信息: 1.3285817292263604

'''


好文章,我 在看❤

你可能感兴趣的:(信息熵,css,概率论,tapestry,python)