机器学习基础--信息论相关概念总结以及理解

摘要：
熵（entropy）、KL 散度（Kullback-Leibler (KL) divergence）和交叉熵（cross-entropy）以及JS散度，在深度学习以及机器学习很多地方都用的到，尤其是对于目标函数和损失函数的定义。在逻辑回归问题中，目标函数就是用交叉熵定义的。

1. 信息量(熵)

信息论是应用数学的一个分支，主要研究的是对一个信号包含信息的多少进行量化。信息论的基本想法是一个不太可能的事件发生了，要比一个非常可能的事件发生，能提供更多的信息。事件发生的可能性大，信息量少；事件发生的可能性小，其信息量大。

比如：早上你出门碰到一个朋友，他告诉你今天是晴天，这句话的信息量就很小，因为天气你已经知道了，而且是个确定性事件，等同于废话。
要是他再告诉你，明天可能下雪，这句话的信息量就比刚刚的话要大好多。
可以看出信息量的大小与事件发生的可能性成反比。

1. 非常可能发生的事件信息量要比较少。在极端情况下，确保能够发生的事件应该没有信息量。
2. 较不可能发生的事件具有更高的信息量。
3. 独立事件应具有增量的信息。例如，投掷的硬币两次正面朝上传递的信息量，应该是投掷一次硬币正面朝上的信息量的两倍。
   　　为了满足上面 3 个性质，定义了一事件 \(x=X\) 的自信息（self-information）为:
   \[ I(x)=-log(P(x)) \tag{1} \]
   使用 \(x\) 表示随机变量，使用 \(x_1,x_2,...,x_i,...,x_N\) 或者 \(x\) 表示随机变量 \(x\) 可能的取值。当式（1）中 log 以 2 为底数时，\(I(x)\) 单位是比特（bit）或者香农（shannons）；当 \(log\) 以自然常数 \(e\) 为底数时，\(I(x)\) 单位是奈特（nats）。这两个单位之间可以互相转换，通过比特度量的信息只是通过奈特度量信息的常数倍。（使用对数换底公式转化）在机器学习中大部分是以\(e\)为底。
   自信息只能处理单个的输出。我们可以使用香农熵（Shannon entropy）来对整个概率分布中的不确定性总量进行量化：
   \[ H(P)=H(x)= E_{x～P}[I(x)]=\sum_{i=1}^NP(x_i)I(x_i)=?\sum_{i=1}^NP(x_i)logP(x_i)\tag{2} \]
   式（2）后两个等号是在离散型变量的情况下成立，对于连续型变量，则需要求积分。当 x 是连续的，香农熵被称为微分熵（differential entropy）。
   熵的一些性质：

• 那些接近确定性的分布（输出几乎可以确定）具有较低的熵。

• 那些接近均匀分布的概率分布具有较高的熵。
  当一个事件的发生概率为\(p(x)\) 时，它的信息量就是\(?log(p(x))\)。那么我们将这个事件的所有可能发生的结果都罗列出来，求的该事件信息量的期望(信息量的算术平均)

  熵就是用来描述事件发生的不确定性。事件所含有的信息
  从KL散度的角度理解熵的概念将熵的定义式写为：
  \[ H(P)=log(\frac{1}{P(x)}) \]
  \(Q(x)=1\)为确定性事件，则事件\(P\)的熵（自信息）为与确定性事件的差异，也就是\(P\)变成确定性事件所需要的信息。

2. KL散度

KL 散度可以用来衡量两个分布的差异。

在概率论与统计中，我们经常会将一个复杂的分布用一个简单的近似分布来代替。KL 散度可以帮助我们测量在选择一个近似分布时丢失的信息量。

　　假设原概率分布为 \(P(x)\)，近似概率分布为 \(Q(x)\)，则使用 KL 散度衡量这两个分布的差异：
\[ D_{KL}(P||Q)=E_{x～P}[log(\frac{P(x)}{Q(x)})]=E_{x～P}[logP(x)?logQ(x)] \tag{3} \]
　　如果 x 是离散型变量，式（3）还可以写成如下形式：
\[ D_{KL}(P||Q)=\sum_{i=1}^NP(x_i)logP(x_i)Q(x_i)=\sum_{i=1}^NP(x_i)[logP(x_i)?logQ(x_i)] \tag{4} \]
　　对于连续型变量，则式（4）不能这么写，需要求积分。如果 x 是连续型变量，则式（3）中概率分布最好用 \(p(x)\)和\(q(x)\) 代替 \(P(x)\)和\(Q(x)\)。习惯上，用小写字母表示连续型变量的概率密度函数（probability density function，PDF），用大写字母表示离散型变量的概率质量函数（probability mass function，PMF）。（PDF和PMF都是用来描述概率分布）

KL 散度的一些性质：

• KL 散度是非负的。
• KL 散度为 0，当且仅当 P 和 Q 在离散型变量的情况下是相同的分布，或者在连续型变量的情况下是“几乎处处”相同的。
• KL 散度不是真的距离，它不是对称的，即 \(D_{KL}(P||Q)≠D_{KL}(Q||P)\)。

3. 交叉熵

交叉熵（cross-entropy）和 KL 散度联系很密切。同样地，交叉熵也可以用来衡量两个分布的差异。以离散型变量 x 为例：
\[ H(P,Q)=?E_{x～P}logQ(x)=?\sum_{i=1}^NP(x_i)logQ(x_i) \tag{5} \]
　　交叉熵 H(P,Q)=H(P)+DKL(P||Q)。其中 H(P)（即 H(x) ，其中 x～P）为分布 P 的熵，DKL(P||Q) 表示两个分布的 KL 散度。当概率分布 P(x) 确定了时，H(P) 也将被确定，即 H(P) 是一个常数。在这种情况下，交叉熵和 KL 散度就差一个大小为 H(P) 的常数。下面给出一个简单的推导：

　　我们将式（4）中 KL 散度的公式再进行展开：
\[ D_{KL}(P||Q)=\sum_{i=1}^NP(x_i)[logP(x)?logQ(x)]=\sum_{i=1}^NP(x_i)logP(x_i)?\sum_{i=1}^NP(x_i)logQ(x_i)=?[?\sum_{i=1}^NP(x_i)logP(x_i)]+[?\sum_{i=1}^NP(x_i)logQ(x_i)]=?H(P)+H(P,Q) \tag{6} \]
即 \(H(P,Q)=H(P)+D_{KL}(P||Q)\)。

交叉熵的一些性质：

• 非负。
• 和 KL 散度相同，交叉熵也不具备对称性，即 H(P,Q)≠H(Q,P)。
• 对同一个分布求交叉熵等于对其求熵。
  　　为什么既有 KL 散度又有交叉熵？在信息论中，熵的意义是对 \(P\) 事件的随机变量编码所需的最小字节数，KL 散度的意义是“额外所需的编码长度”如果我们使用 Q 的编码来表示 P，交叉熵指的是当你使用 Q 作为密码来表示 P 是所需要的 “平均的编码长度”。但是在机器学习评价两个分布之间的差异时，由于分布 P 会是给定的，所以此时 KL 散度和交叉熵的作用其实是一样的，而且因为交叉熵少算一项，更加简单，所以选择交叉熵会更好。

4. JS散度

JS散度也是用于度量两个概率分布的相似度，其解决了KL散度不对称的缺点。
\[ JS(p||q)=\frac{1}{2}KL(p||\frac{p+q}{2})+\frac{1}{2}KL(q||\frac{p+q}{2}) \tag{7} \]

信息论相关概念：熵 交叉熵 KL散度 JS散度

原文：https://www.cnblogs.com/zhoubindut/p/12163933.html