关于“熵”家族的那些事

关于"熵"家族的那些事

在信息论与概率统计学中，熵（entropy）是一个很重要的概念。在机器学习与特征工程中，熵的概念也用得很多。这里简单总结，权当笔记。

0.熵

熵和概率十分相近，但又不同。概率是真实反映变化到某状态的确信度。而熵反映的是从某时刻到另一时刻的状态有多难以确定。阻碍生命的不是概率，而是熵。

生命活着就是在减熵。

生命要在这个变化的世界中生存，它就需要知道如何根据环境变化做出相应的行动来避免毁灭。把不确定的环境转换成确定的行动。会将无序的事物重新整理到有序的状态。生物仅仅活着就需要减熵，否则就会被不确定性会消灭。熵增意味着信息量越来越巨大，生物必须能够压缩这些不确定的信息并记住信息是如何被压缩的。

压缩信息的方法就是知识。

实例：病毒会利用宿主的细胞系统进行自我复制将微粒重组为有序的状态。

实例：工蜂用自身的蜡腺所分泌的蜂蜡修筑蜂巢。

此种知识是仅当环境发生时才会采取对应行动，并不会改变太多环境。但有第二种知识。像人类这样的动物同时还可以学习改变环境的原因以此来预测未来。

实例：由于动物会运动，环境会根据它的运动和它对环境的影响造成改变。动物需要可以利用记忆力从过去推测未来事件的能力。

实例：物理学家穷其一生寻找可以解释一切的公式(像

弦理论)。这种能力存
在于拥有时间观念的生命之中。人类更是其中的王者。

1.信息熵

熵是神马？信息论的开山祖师爷Shannon明确告诉我们，信息的不确定性可以用熵来表示：

对于一个取有限个值的随机变量X，如果其概率分布为：

。

那么随机变量X的熵可以用以下公式描述：



每次看到这个式子，都会从心底里感叹数学的伟大与奇妙。在这之前，信息这东东对于人们来说，是个看着好像挺清晰实际还是很模糊的概念。Shannon用最简洁美妙的方式，告诉了整个世界信息到底应该怎么去衡量去计算。今天每个互联网人都知道，这个衡量的标准就是bit。正是由于bit的出现，才引领了我们今天信息时代的到来。所以即使把Shannon跟世界上最伟大的那些科学家相提并论，我觉得也丝毫不为过。

举个例子，如果一个分类系统中，类别的标识是c 取值情况是

，n为类别的总数。那么此分类系统的熵为： 


更特别一点，如果是个二分类系统，那么此系统的熵为：


其中

、

分别为正负样本出现的概率。

2.条件熵(Conditional Entropy)与信息增益（Information Gain）

前面我们谈到，信息的不确定性我们用熵来进行描述。很多时候，我们渴望不确定性，渴望明天又是新的一天，希望寻找新的刺激与冒险，所谓的七年之庠就是最好的例子。但是又有很多时候，我们也讨厌不确定性，我们又要竭力去消除系统的不确定性。
那怎么样去消除系统的不确定性呢？当我们知道的信息越多的时候，自然随机事件的不确定性就越小。举个简单的例子：
如果投掷一枚均匀的筛子，那么筛子出现1-6的概率是相等的，此时，整个系统的熵可以表述为：


如果我们加一个特征，告诉你掷筛子的结果出来是偶数，因为掷筛子出来为偶数的结果只可能为2,4,6，那么此时系统的熵为:


因为我们加了一个特征x：结果为偶数，所以整个系统的熵减小，不确定性降低。
来看下条件熵的表达式：
1. 当特征x被固定为值

时，条件熵为:

2. 当特征X的整体分布情况被固定时，条件熵为:

应该不难看出：


其中，n为特征X所出现所有种类的数量。
那么因为特征X被固定以后，给系统带来的增益(或者说为系统减小的不确定度)为：

举个别人文章中例子：文本分类系统中的特征X, 那么X有几个可能的值呢？注意X是一个固定的特征，比如关键词"经济"，当我们说特征"经济"可能的取值时，实际上只有两个，要么出现，要么不出现。假设x代表x出现，而

表示

不出现。注意系统包含x但x不出现与系统根本不包含x可是两回事。
因此固定X时系统的条件熵为：


特征X给系统带来的信息增益(IG)为：


式子看上去很长，其实计算起来很简单，都是一些count的操作。

这一项不用多说，就是统计各个类别的概率，将每个类别的样本数量除以总样本量即可。

这一项，

表示特征在样本中出现的概率，将特征出现的次数除以样本总量即可。

表示特征出现的情况下，每个类别的概率分别为多少，也全是count操作。

操作以此类推。

3.信息增益做特征选择的优缺点

先说说优点：
1.信息增益考虑了特征出现与不出现的两种情况，比较全面，一般而言效果不错。
2.使用了所有样例的统计属性，减小了对噪声的敏感度。
3.容易理解，计算简单。
主要的缺陷：
1.信息增益考察的是特征对整个系统的贡献，没有到具体的类别上，所以一般只能用来做全局的特征选择，而没法针对单个类别做特征选择。
2.只能处理连续型的属性值，没法处理连续值的特征。
3.算法天生偏向选择分支多的属性，容易导致overfitting。

4.信息增益比(Infomation Gain Ratio)

前面提到，信息增益的一个大问题就是偏向选择分支多的属性导致overfitting，那么我们能想到的解决办法自然就是对分支过多的情况进行惩罚(penalty)了。于是我们有了信息增益比，或者说信息增益率：
特征X的熵：


特征X的信息增益 ：

那么信息增益比为：


在决策树算法中，ID3使用信息增益，c4.5使用信息增益比。

5.Gini系数

Gini系数是一种与信息熵类似的做特征选择的方式，可以用来数据的不纯度。在CART(Classification and Regression Tree)算法中利用基尼指数构造二叉决策树。
Gini系数的计算方式如下：
在分类问题中，假设有i个类，样本点属于第i类的概率是

，则概率分布的基尼系数定义为:


其中，D表示数据集全体样本，

表示每种类别出现的概率。取个极端情况，如果数据集中所有的样本都为同一类，那么有

，

，显然此时数据的不纯度最低。
与信息增益类似，我们可以计算如下表达式：


上面式子表述的意思就是，加入特征X以后，数据不纯度减小的程度。很明显，在做特征选择的时候，我们可以取

最大的那个。

6.信息熵与Gini指数的关系

信息熵在x=1处一阶泰勒展开就是基尼指数，泰勒公式如下：


f(x)=-lnx在x=1处一阶泰勒展开，忽略掉高次项，可以得到f(x)≈1-x。这样

≈

。



基尼系数和熵之半(也就是熵的一半值)的曲线比较近似。

7.交叉熵

7.1 从方差代价函数说起

代价函数经常用方差代价函数（即采用均方误差MSE），比如对于一个神经元（单输入单输出，sigmoid函数）,定义其代价函数为：



其中y是我们期望的输出，a为神经元的实际输出【 a=σ(z), where z=wx+b 】。
在训练神经网络过程中，我们通过梯度下降算法来更新w和b，因此需要计算代价函数对w和b的导数：



然后更新w、b：
w <—— w - η* ∂C/∂w = w - η * a *σ′(z)
b <—— b - η* ∂C/∂b = b - η * a * σ′(z)
因为sigmoid函数的性质，导致σ′(z)在z取大部分值时会很小（如下图标出来的两端，几近于平坦），这样会使得w和b更新非常慢（因为η * a * σ′(z)这一项接近于0）。

7.2 交叉熵代价函数（cross-entropy cost function）

为了克服这个缺点，引入了交叉熵代价函数（下面的公式对应一个神经元，多输入单输出）：



其中y为期望的输出，a为神经元实际输出【a=σ(z), where z=∑Wj*Xj+b】
与方差代价函数一样，交叉熵代价函数同样有两个性质：
非负性。（所以我们的目标就是最小化代价函数）

当真实输出a与期望输出y接近的时候，代价函数接近于0.(比如y=0，a～0；y=1，a~1时，代价函数都接近0)。

另外，它可以克服方差代价函数更新权重过慢的问题。我们同样看看它的导数：





可以看到，导数中没有σ′(z)这一项，权重的更新是受σ(z)−y这一项影响，即受误差的影响。所以当误差大的时候，权重更新就快，当误差小的时候，权重的更新就慢。这是一个很好的性质。

8.总结

ID3算法:信息增益

C4.5算法：信息增益率

CART算法：基尼指数

对数似然函数也常用来作为softmax回归的代价函数，在上面的讨论中，我们最后一层（也就是输出）是通过sigmoid函数，因此采用了交叉熵代价函数。而深度学习中更普遍的做法是将softmax作为最后一层，此时常用的是代价函数是log-likelihood cost。

其实这两者是一致的，logistic回归用的就是sigmoid函数，softmax回归是logistic回归的多类别推广。log-likelihood代价函数在二类别时就可以化简为交叉熵代价函数的形式。具体可以参考UFLDL教程。

 
参考：http://blog.csdn.net/bitcarmanlee/article/details/51488204

http://www.jianshu.com/p/3ef0d7fa92a5?from=jiantop.com

http://blog.csdn.net/u012162613/article/details/44239919/

《超能智体》