机器学习：信息熵理解

柔情只为你懂 2022-04-02 20:08 388阅读 0赞

如果说概率是对事件确定性的度量、那么信息（包括信息量和信息熵）就是对事物不确定性的度量。信息熵是由香农（C.E.Shannon）在1948年发表的论文《通信的数据理论（A Mathematical Theory of Communication）》中提出的概念。他借用热力学中热熵的概念（热熵是表示分子状态混乱程度的物理量），解决了对信息的量化度量问题，也常用来对不确定性进行度量。

--------------------

### 信息量与信息熵 ###

信息量在数学上表示为 I ( X ) = − l o g P ( X ) I(X) = -logP(X) I(X)=−logP(X)。  
    信息熵则被定义为对平均不确定性的度量。一个离散随机变量 X X X的信息熵 H ( X ) H(X) H(X)定义为：

H ( X ) = ∑ X P ( X ) l o g 1 P ( X ) = − ∑ X P ( X ) l o g P ( X ) H(X) = \\sum\_\{X\}P(X)log\\frac\{1\}\{P(X)\}= -\\sum\_\{X\}P(X)logP(X) H(X)=∑XP(X)logP(X)1=−∑XP(X)logP(X)

其中、约定 0 l o g ( 1 / 0 ) = 0 0log(1 / 0) = 0 0log(1/0)=0，对数若以2为底，则熵的单位是比特；若以 e e e为底，则其单位是奈特。若无特殊说明，则均采用比特为单位。  
    1、信息熵的本质是信息量的期望。  
    2、信息熵是对随机变量不确定性的度量。随机变量 X X X的熵越大，说明它的不确定性也越大。若随机变量退化为定值，则熵为0。  
    3、平均分布是“最不确定”的分布。

下面举两个例子来说明这一点。  
    例1、考虑一个取值为0或1的随机变量 X X X，满足(0, 1)分布，记 p = P ( x = 1 ) p = P(x=1) p=P(x=1)。根据熵的定义，有：

H ( X ) = − p l o g ( p ) − ( 1 − p ) l o g ( 1 − p ) H(X) = -plog(p) - (1-p)log(1-p) H(X)=−plog(p)−(1−p)log(1−p)

如图，当 p = 0 p=0 p=0或 p = 1 p=1 p=1时，我们肯定地知道 X X X的取值，不确定性最小， H ( X ) = 0 H(X) = 0 H(X)=0。当 p = 0.5 p=0.5 p=0.5时，对 X X X的取值的不确定性达到最大，此时 H ( X ) = 1 H(X) = 1 H(X)=1。该例子验证了上面熵的性质。  
        ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NlYWxpcg_size_16_color_FFFFFF_t_70]

例2、记 X X X、 Y Y Y和 Z Z Z分别为掷硬币、掷骰子，以及从54张扑克牌中随意抽取一张的结果。显然 X X X的不确定性最小， Y Y Y的不确定性居中，而 Z Z Z的不确定性最大。与之相应，这3个随机变量的熵之间也恰恰存在这样的关系，即 H ( X ) < H ( Y ) < H ( Z ) H(X) < H(Y) < H(Z) H(X)<H(Y)<H(Z)。

H ( X ) = ∑ 1 2 1 2 l o g ( 2 ) = l o g 2 H(X) = \\sum\_\{1\}^\{2\} \\frac\{1\}\{2\} log(2) = log2 H(X)=∑1221log(2)=log2

H ( Y ) = ∑ 1 6 1 6 l o g ( 6 ) = l o g 6 H(Y) = \\sum\_\{1\}^\{6\} \\frac\{1\}\{6\} log(6) = log6 H(Y)=∑1661log(6)=log6

H ( Z ) = ∑ 1 54 1 54 l o g ( 54 ) = l o g 54 H(Z) = \\sum\_\{1\}^\{54\} \\frac\{1\}\{54\} log(54) = log54 H(Z)=∑154541log(54)=log54

用 ∣ X ∣ |X| ∣X∣来记作 X X X变量的取值个数，又称为变量的势。

熵的基本性质如下：  
    1、 H ( X ) > = 0 H(X) >= 0 H(X)>=0  
    2、 H ( X ) < = l o g ∣ X ∣ H(X) <= log|X| H(X)<=log∣X∣，等号成立的条件，当且仅当 X X X的所有取值 x x x有 P ( X = x ) = 1 ∣ X ∣ P(X=x) = \\frac\{1\}\{|X|\} P(X=x)=∣X∣1。

--------------------

### 互信息、联合熵、条件熵 ###

##### 1、互信息 #####

如图，通过该图理解互信息比较容易。一般而言，信道中总是存在着噪声和干扰，信源发出消息 x x x，通过信道后信宿只可能收到由于干扰作用引起的某种变形 y y y。信宿收到 y y y后推测信源发出 x x x的概率，这一过程可由后验概率 p ( x ∣ y ) p(x|y) p(x∣y)来描述。相应的，信源发出 x x x的概率 p ( x ) p(x) p(x)称为先验概率。定义 x x x的后验概率与先验概率比值的对数为 y y y对 x x x的互信息量（简称互信息）。其公式如下：

互信息定义： I ( y , x ) = I ( y ) − I ( y ∣ x ) = l o g P ( y ∣ x ) P ( y ) I(y, x) = I(y) - I(y|x) = log \\frac\{P(y|x)\}\{P(y)\} I(y,x)=I(y)−I(y∣x)=logP(y)P(y∣x)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NlYWxpcg_size_16_color_FFFFFF_t_70 1]

互信息的性质如下：

1、互信息可以理解为，收信者收到信息 X X X后，对信源 Y Y Y的不确定性的消除。  
    2、互信息 =  I I I(先验事件) -  I I I(后验事件) =  l o g 后 验 概 率 先 验 概 率 log\\frac \{后验概率\}\{先验概率\} log先验概率后验概率。  
    3、互信息是对称的。

平均互信息： I ( X ; Y ) = ∑ X , Y   P ( X , Y ) l o g P ( X , Y ) P ( X ) P ( Y ) I(X;Y) = \\sum\_\{X,Y\} \\ P(X,Y)log\\frac\{P(X,Y)\}\{P(X)P(Y)\} I(X;Y)=∑X,Y P(X,Y)logP(X)P(Y)P(X,Y)  
    平均互信息又称为信息增益。

##### 2、联合熵 #####

联合熵是借助联合分率分布对熵的自然推广，两个离散随机变量 X X X和 Y Y Y的联合熵定义为：

H ( X , Y ) = ∑ X , Y   P ( X , Y ) l o g 1 P ( X , Y ) = − ∑ X Y   P ( X , Y ) l o g ( X , Y ) H(X,Y) = \\sum\_\{X,Y\} \\ P(X,Y)log \\frac\{1\}\{P(X,Y)\} = -\\sum\_\{XY\} \\ P(X,Y)log(X,Y) H(X,Y)=∑X,Y P(X,Y)logP(X,Y)1=−∑XY P(X,Y)log(X,Y)

##### 3、条件熵 #####

条件熵是利用概率分布对熵的一个延伸。随机变量 X X X的熵是用它的概率分布 P ( X ) P(X) P(X)来定义的。如果知道另一个随机变量 Y Y Y的取值为 y y y，那么 X X X的后验分布即为 P ( X ∣ Y = y ) P(X|Y=y) P(X∣Y=y)。利用条件分布可以定义给定 Y = y Y=y Y=y时 X X X的条件熵为：

H ( X ∣ Y = y ) = − ∑ X P ( X ∣ Y = y ) l o g P ( X ∣ Y = y ) H(X|Y=y) = -\\sum\_X P(X|Y=y)logP(X|Y=y) H(X∣Y=y)=−∑XP(X∣Y=y)logP(X∣Y=y)

熵 H ( X ) H(X) H(X)变量的是随机变量 X X X的不确定性，条件熵 H ( X ∣ Y = y ) H(X|Y=y) H(X∣Y=y)变量的则是已知 Y = y Y=y Y=y后， X X X的不确定性。  
    熵的链式规则：

H ( X , Y ) = H ( X ) + H ( Y ∣ X ) = H ( Y ) + H ( X ∣ Y ) H(X,Y) = H(X) + H(Y|X) = H(Y) + H(X|Y) H(X,Y)=H(X)\+H(Y∣X)=H(Y)\+H(X∣Y)

I ( X ; Y ) + H ( X , Y ) = H ( X ) + H ( Y ) I(X;Y) + H(X,Y) = H(X) + H(Y) I(X;Y)\+H(X,Y)=H(X)\+H(Y)

如图所示为联合熵、条件熵和互信息之间的关系：  
        ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NlYWxpcg_size_16_color_FFFFFF_t_70 2]  
    边缘独立定理：从信息论角度为“边缘独立”这一概念提供了一个直观解释，即两个随机变量相互独立当且仅当它们之间的互信息为0。  
    接下来考虑3个变量 X X X、 Y Y Y和 Z Z Z之间的条件独立关系。条件熵 H ( X ∣ Z ) H(X|Z) H(X∣Z)是给定 Z Z Z时 X X X剩余的不确定性，如果进一步再给定 Y Y Y，则 X X X剩余的不确定性变为 H ( X ∣ Z , Y ) H(X|Z,Y) H(X∣Z,Y)。因此，这两者之差即是给定 Z Z Z时观测 Y Y Y的取值会带来的关于 X X X的信息量，即：

I ( X ; Y ∣ Z ) = H ( X ∣ Z ) − H ( X ∣ Z , Y ) I(X;Y|Z) = H(X|Z) - H(X|Z,Y) I(X;Y∣Z)=H(X∣Z)−H(X∣Z,Y)

称为给定 Z Z Z时 Y Y Y关于 X X X的信息，容易证明 I ( X ; Y ∣ Z ) = I ( Y ; X ∣ Z ) I(X;Y|Z) = I(Y;X|Z) I(X;Y∣Z)=I(Y;X∣Z)。于是， I ( X ; Y ∣ Z ) I(X;Y|Z) I(X;Y∣Z)也称为给定 Z Z Z时 X X X和 Y Y Y之间的条件互信息。

定理：对任意3个离散随机变量 X X X、 Y Y Y和 Z Z Z，有：

1、 I ( X , Y ∣ Z ) > = 0 I(X,Y|Z) >= 0 I(X,Y∣Z)>=0

2、 H ( X ∣ Y , Z ) < = H ( X ∣ Z ) H(X|Y,Z) <= H(X|Z) H(X∣Y,Z)<=H(X∣Z)

上述定理的意义在于，它从信息论的角度为随机变量之间的“条件独立”这一概念提供了一个直观解释，即给定 Z Z Z，两个随机变量 X X X和 Y Y Y相互条件独立，当且仅当它们的条件互信息为零，或者说， Y Y Y关于 X X X的信息已全部包含在 Z Z Z中，从而观测到 Z Z Z后，再对 Y Y Y进行的观测不会带来关于 X X X的更多信息。另外，如果 X X X和 Y Y Y在给定 Z Z Z时相互不独立，则 H ( X ∣ Z , Y ) = H ( X ∣ Z ) H(X|Z,Y) = H(X|Z) H(X∣Z,Y)=H(X∣Z)，即在已知 Z Z Z的基础上对 Y Y Y的进一步观测将会带来关于 X X X的新信息，从而降低 X X X的不确定性。

--------------------

### 交叉熵和KL散度 ###

##### 1、交叉熵 #####

H ( P ; Q ) = − ∑ P p ( Z ) l o g P q ( Z ) H(P;Q) = -\\sum P\_p(Z)logP\_q(Z) H(P;Q)=−∑Pp(Z)logPq(Z)

1、交叉熵常用来衡量两个概率分布的差异性。  
    2、在Logistic中的交叉熵为其代价函数。

##### 2、相对熵与变量独立 #####

相对熵定义：对定义随机变量 X X X的状态空间 Ω x \\Omega\_x Ωx上的两个概率分布 P ( X ) P(X) P(X)和 Q ( X ) Q(X) Q(X)，可以用相对熵来度量它们之间的差异，即有：

K L ( P , Q ) = ∑ X P ( X ) l o g P ( X ) Q ( X ) KL(P,Q) = \\sum\_X P(X)log \\frac\{P(X)\}\{Q(X)\} KL(P,Q)=∑XP(X)logQ(X)P(X)

其中，约定 0 l o g 0 q = 0 0log\\frac\{0\}\{q\} = 0 0logq0=0； p l o g p 0 = ∞ plog\\frac\{p\}\{0\} = \\infty plog0p=∞， ∀ p > 0 \\forall p > 0 ∀p>0。 K L ( P , Q ) KL(P,Q) KL(P,Q)又称为 P ( X ) P(X) P(X)和 Q ( X ) Q(X) Q(X)之间的 K L KL KL散度。但严格来讲它不是一个真正意义上的距离，因为 K L ( P , Q ) ≠ K L ( Q , P ) KL(P,Q) \\neq KL(Q,P) KL(P,Q)̸=KL(Q,P)。

定理：设 P ( X ) P(X) P(X)和 Q ( X ) Q(X) Q(X)为定义在某个变量 X X X的状态空间 Ω x \\Omega\_x Ωx上的两个概率分布，则有：

K L ( P , Q ) > = 0 KL(P,Q) >= 0 KL(P,Q)>=0

其中，当且仅当 P P P和 Q Q Q相同，即 P ( X = x ) = Q ( X = x ) P(X=x) = Q(X=x) P(X=x)=Q(X=x)， ∀ x   ε   Ω x \\forall x \\ \\varepsilon \\ \\Omega\_x ∀x ε Ωx时等号成立。

推论，对于满足 ∑ f ( X ) > 0 \\sum f(X) > 0 ∑f(X)>0的非负函数 f ( X ) f(X) f(X)，定义概率分布 P ∗ ( X ) P^\*(X) P∗(X)为：

P ∗ ( X ) = f ( X ) ∑ X   f ( X ) P^\*(X) = \\frac \{f(X)\} \{\\sum\_X \\ f(X)\} P∗(X)=∑X f(X)f(X)

那么，对于任意其他的概率分布 P ( X ) P(X) P(X)，则有：

∑ X f ( X ) l o g P ∗ ( X ) ⩾ ∑ X f ( X ) l o g P ( X ) \\sum\_X f(X)logP^\*(X) \\geqslant \\sum\_X f(X)logP(X) ∑Xf(X)logP∗(X)⩾∑Xf(X)logP(X)

其中，当且仅当 P ∗ P^\* P∗与 P P P相同时等号成立。

定理：互信息与变量独立之间的两个关系，首先有如下定理，对任意两个离散随机变量 X X X和 Y Y Y有：

1、 I ( X , Y ) ⩾ 0 I(X,Y) \\geqslant 0 I(X,Y)⩾0

2、 H ( X ∣ Y ) ≤ H ( X ) H(X|Y) \\leq H(X) H(X∣Y)≤H(X)

上述两式当且仅当 X X X与 Y Y Y相互独立时等号成立。

如下，交叉熵与 K L KL KL散度之间的关系：  
        ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NlYWxpcg_size_16_color_FFFFFF_t_70 3]

本文摘自《NLP汉语自然语言处理原理与实践》

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NlYWxpcg_size_16_color_FFFFFF_t_70]: /images/20220403/e3f6054b553e4da593572b6af339c229.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NlYWxpcg_size_16_color_FFFFFF_t_70 1]: /images/20220403/3838f50e29004145804e20ba2745d32d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NlYWxpcg_size_16_color_FFFFFF_t_70 2]: /images/20220403/e1ed0789ac2d4f5d9d9538ce3e86d741.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NlYWxpcg_size_16_color_FFFFFF_t_70 3]: /images/20220403/31171838165043ad9ccc7173c4dcc822.png