标签：
说明：此篇是作者对“最大熵模型”的第二次总结，因此可以算作对上次总结的查漏补缺以及更进一步的理解，所以很多在第一次总结中已经整理过的内容在本篇中将不再重复，如果你看的有些吃力，那建议你看下我的第一次总结：
http://blog.csdn.net/xueyingxue001/article/details/50773796
某事件x的信息量的式子为：
h(x)= -log2x 式1
关于此式的一个欧拉式解释如下：
某事件发生的概率小，则该事件的信息量大。如：一学生本来都是提前到教室，结果就某天迟到了，那迟到这个概率小的事件，其信息量一定很大。
于是上面的话反映到坐标轴就是：
因此信息量h(x)应该是个递减的式子
话说对于两个独立事件x和y有P(xy) =p(x)p(y)，然后假定它们的信息量分布是h(x)和h(y)，于是这两个事件的信息量h(xy)应该是类似h(x)h(y)这样的式子，但如果可以把两个事件的信息量h(xy)写成h(x)+h(y)的形式就好了，于是取对数，这样把“对数、递减”这几个因素合起来就有了式1。
PS：注意，这是个欧拉式的解释。
举个例子，假设x只能取0和1这两个值，然后取这两个值的概率分别为：
P(x= 0) = 0.3
p(x= 1) = 0.7
于是这两个取值的信息量就分别是：
H(x=0)= -log20.3
H(x=1)= -log20.7
既然如此，x平均下来的信息量是多大呢？
你看，x=0的信息量有0.3的概率发生，x=1的信息量有0.7的概率发生，于是P(x =0) H(x=0) + p(x = 1) H(x=1)就是x的一个平均化的信息量。
而熵就是这个平均化的信息量，将其写成公式的话就是：
注：经典熵的定义，底数是2，单位是bit；若底数是e，单位是nat(奈特)。
下面是两点分布熵的图：
从图中可以看出：
概率为1和概率为0的熵为0，举个例子：x=0发生的概率为0，x=1发生的概率为1，这样一来，我说“x=0一定不发生”和“x=1一定发生”那都是废话，完全没信息量。
因为均匀分布的熵最大，所以0≤H(X)≤lnN。
1，建立目标函数
2，使用方差公式化简约束条件
Var(X)= E(X2) - E2(x)
=>E(X2) = E2(X) + Var(X) =μ2 +σ2
3，更新目标函数
4，因为这就是个带约束的极值问题，所以利用Lagrange乘子法
5，因为p(x)的对数是二次函数，所以p(x)一定是正态分布(原因见我总结的“根据函数形式判断概率分布”)。
两个随机变量X，Y的联合分布，可以形成联合熵JointEntropy，用H(X,Y)表示。
(X,Y)发生所包含的熵，减去Y单独发生包含的熵，即：在Y发生的前提下，X发生“新”带来的熵，用H(X,Y)– H(Y) 表示，可以简写成H(X|Y)。
条件熵定义式的推导过程为(结论就是定义式)：
到这里就需要说点东西了，如果把熵和联合熵的求和符号和符号去掉的话，那剩余的部分：
熵 ：p(x)logp(x)
联合熵 ：p(x,y)logp(x,y)
怎么到了条件熵后其剩余的部分变成：p(x,y)logp(x|y)了？按照上面的“规律”不该是p(x|y)logp(x|y)吗？
其实是这样，看下图：
推导解释：
①：既然H(X|Y)，即H(X,Y) –H(Y)可以写成
那将H(X|Y)换成H(Y|X)后就得出第一个等号了。
②：将求和符号分开
③：条件概率公式
④：p(x)中只有x，和y没关系，所以移动下位置
⑤：稍微做下变换，这个疑惑的话用冷水洗洗脸，
⑥：注意看⑤的p(x)后面的那部分：这不就是x给定的情况下y的熵嘛！于是⑥式得出！
好了，上面的推导解释完了，下面我们分析下结果。
结果，即⑥式的意思是什么？
是“对‘x给定的情况下y的熵’相对于x求期望”，这就是条件熵的含义！
所以才会有相对于熵来说有点不同的式子。
相对熵，又称互熵，交叉熵，鉴别信息，Kullback熵，Kullback-Leible散度等。
注：在相对熵的定义中，如果p和q都是概率密度时，上面这些名字才都是一个东西。
设p(x)、q(x)是X中取值的两个概率分布，则p对q的相对熵是
PS1，第二个等号的含义是：再将log(p(x)/q(x))看成一个整体的情况下，相对熵相当于对log(p(x)/q(x))在p(x)上求期望。
PS2：对于凸函数，D(p||q)≥0，D(q||p)≥0。
相对熵可以度量两个随机变量的“距离”
但，除非p和q相等，否则D(p||q) ≠D(q||p)，即p到q的“距离”≠q到p的“距离”，打个比方的话就好像：p在上游，q在下游，那p到q就容易，q到p就不容易。
首先还是先说明一点：这里的KL散度就是相对熵，只不过在听课时一直在说“KL散度”而不在用“相对熵”这个名字来称呼这个知识，所以就将其列成一个大章节了。
首先，先来几个问答。
Q1：为什么需要KL散度？
A1：有时候我们需要面对这样的情况 -- 假定已知随机变量P，求相对简单的随机变量Q，使得Q尽量接近P。这时KL散度就派上用场了。
Q2：使用KL散度时有什么难点呢？
A2：从上面的相对熵知道，K-L距离是非对称的，于是到底应该选KL(Q||P)还是KL(P||Q)就需要考虑了。
Q3：KL(Q||P) 和KL(P||Q) 选择判断上有什么区别？
A3：
1， 假定使用KL(Q||P)，为了让距离最小，则要求在P为0的地方，Q尽量为0。会得到比较“窄”的分布曲线（因为图形曲线的积分面积要为1(还记得吗？p和q都是概率密度)，所以既然P为0的地方，Q都尽量为0了，那剩下不为0的地方就会很高，于是很窄）；
假定使用KL(P||Q)，为了让距离最小，则要求在P不为0的地方，Q也尽量不为0。会得到比较“宽”的分布曲线；
2， 如下图所示：
蓝色是P的曲线（假设P有两个峰）
中、右图是KL(Q||P)，因为是Q真对P，所以Q能够锁定P的一个峰值
左图是KL(P||Q)，因为是P针对Q，所以Q倾向于覆盖P，就不容易锁定P的一个峰值。
定义：
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。
公式：
话说，“熵 - 互信息 = 条件熵”，原因见下面的公式：
因此有些文献也将互信息I(X,Y) 定义为 H(Y) - H(Y|X)
然后根据上图中的式子可以推导出： H(X|Y) ≤ H(X)，H(Y|X) ≤ H(Y)
其实这个可以解释：因为H(X)代表X的不确定度，H(X|Y)代表给定Y之后X的不确定度，如果X和Y有点联系，则H(X|Y)< H(X)，如果X和Y没联系，则H(X|Y) = H(X)，因此H(X|Y) ≤ H(X)；H(Y|X) ≤ H(Y) 同理。
这个图总结了所有的关系。
比如：如果互信息为0，则X和Y互相独立，因而也就有这个式子：
I(X,Y) = 0 意味着
P(X, Y) = P(X)P(Y) 和 P(X|Y) =P(X)
标签：
原文地址：http://blog.csdn.net/xueyingxue001/article/details/51940541
