本文將介紹信息量，熵，交叉熵，相對熵的定義，以及它們與機器學(xué)習(xí)算法中代價函數(shù)的定義的聯(lián)系。

1. 信息量

信息的量化計算：

解釋如下：

信息量的大小應(yīng)該可以衡量事件發(fā)生的“驚訝程度”或不確定性：

如果有人告訴我們一個相當不可能的事件發(fā)生了，我們收到的信息要多于我們被告知某個很可能發(fā)?的事件發(fā)?時收到的信息。如果我們知道某件事情?定會發(fā)?，那么我們就不會接收到信息。 也就是說，信息量應(yīng)該連續(xù)依賴于事件發(fā)生的概率分布p(x)。因此，我們想要尋找一個基于概率p(x)計算信息量的函數(shù)h(x)，它應(yīng)該具有如下性質(zhì)：

h(x) >= 0，因為信息量表示得到多少信息，不應(yīng)該為負數(shù)。

h(x, y) = h(x) + h(y)，也就是說，對于兩個不相關(guān)事件x和y，我們觀察到兩個事件x, y同時發(fā)?時獲得的信息應(yīng)該等于觀察到事件各?發(fā)?時獲得的信息之和；

h(x)是關(guān)于p(x)的單調(diào)遞減函數(shù)，也就是說，事件x越容易發(fā)生（概率p(x)越大），信息量h(x)越小。

又因為如果兩個不相關(guān)事件是統(tǒng)計獨?的，則有p(x, y) =p(x)p(y)。根據(jù)不相關(guān)事件概率可乘、信息量可加，很容易想到對數(shù)函數(shù)，看出h(x)一定與p(x)的對數(shù)有關(guān)。因此，有滿足上述性質(zhì)。

2. 熵（信息熵）

對于一個隨機變量X而言，它的所有可能取值的信息量的期望就稱為熵。熵的本質(zhì)的另一種解釋：最短平均編碼長度（對于離散變量）。

離散變量：

連續(xù)變量：

3. 交叉熵

現(xiàn)有關(guān)于樣本集的2個概率分布p和q，其中p為真實分布，q非真實分布。按照真實分布p來衡量識別一個樣本的熵，即基于分布p給樣本進行編碼的最短平均編碼長度為：

如果使用非真實分布q來給樣本進行編碼，則是基于分布q的信息量的期望（最短平均編碼長度），由于用q來編碼的樣本來自分布p，所以期望與真實分布一致。所以基于分布q的最短平均編碼長度為：

上式CEH(p, q)即為交叉熵的定義。

4. 相對熵

將由q得到的平均編碼長度比由p得到的平均編碼長度多出的bit數(shù)，即使用非真實分布q計算出的樣本的熵(交叉熵)，與使用真實分布p計算出的樣本的熵的差值，稱為相對熵，又稱KL散度。

KL(p, q) = CEH(p, q) - H(p)=

相對熵（KL散度）用于衡量兩個概率分布p和q的差異。注意，KL(p, q)意味著將分布p作為真實分布，q作為非真實分布，因此KL(p, q) != KL(q, p)。

5. 機器學(xué)習(xí)中的代價函數(shù)與交叉熵

若 p(x)是數(shù)據(jù)的真實概率分布， q(x)是由數(shù)據(jù)計算得到的概率分布。機器學(xué)習(xí)的目的就是希望q(x)盡可能地逼近甚至等于p(x) ，從而使得相對熵接近最小值0. 由于真實的概率分布是固定的，相對熵公式的后半部分（-H(p)）就成了一個常數(shù)。那么相對熵達到最小值的時候，也意味著交叉熵達到了最小值。對q(x)的優(yōu)化就等效于求交叉熵的最小值。另外，對交叉熵求最小值，也等效于求最大似然估計（maximum likelihood estimation）。

特別的，在logistic regression中，p:真實樣本分布，服從參數(shù)為p的0-1分布，即X～B(1,p)

p(x = 1) = y

p(x = 0) = 1 - yq:待估計的模型，服從參數(shù)為q的0-1分布，即X～B(1,q)

p(x = 1) = h(x)

p(x = 0) = 1-h(x)

其中h(x)為logistic regression的假設(shè)函數(shù)。兩者的交叉熵為：

對所有訓(xùn)練樣本取均值得：

這個結(jié)果與通過最大似然估計方法求出來的結(jié)果一致。使用最大似然估計方法參加博客Logistic Regression.