KL散度(Kullback-Leibler Divergence)
来源:互联网 发布:新闻资讯网站源码 编辑:程序博客网 时间:2024/05/17 22:06
今天开始来讲相对熵,我们知道信息熵反应了一个系统的有序化程度,一个系统越是有序,那么它的信息熵就越低,反之就越高。下面是熵的定义
如果一个随机变量的可能取值为,对应的概率为,则随机变
量的熵定义为
有了信息熵的定义,接下来开始学习相对熵。
熵是随机变量不确定性的度量,不确定性越大,熵就越大,如果是常量,就是零。不确定性度量的本质就是信息量的期望。均匀分布是最不确定的分布(在没有任何条件下,就是不知道均值和方差的情况下)。如果在均值和方差都知道的情况下,那就是高斯分布的熵最大。
1. 相对熵的认识
相对熵又称互熵,交叉熵,鉴别信息,Kullback熵,Kullback-Leible散度(即KL散度)等。设和
是取值的两个概率概率分布,则对的相对熵为
在一定程度上,熵可以度量两个随机变量的距离。KL散度是两个概率分布P和Q差别的非对称性的度量。KL散度是
用来度量使用基于Q的编码来编码来自P的样本平均所需的额外的位元数。 典型情况下,P表示数据的真实分布,Q
表示数据的理论分布,模型分布,或P的近似分布。
2. 相对熵的性质
相对熵(KL散度)有两个主要的性质。如下
(1)尽管KL散度从直观上是个度量或距离函数,但它并不是一个真正的度量或者距离,因为它不具有对称性,即
(2)相对熵的值为非负值,即
在证明之前,需要认识一个重要的不等式,叫做吉布斯不等式。内容如下
3.KL实际中的应用:
因为KL散度从直观上是个度量或距离函数,但是它不具有对称性,所以在实践用左边的还是右边的就是个问题,如果实际中的已知的分布是P,就用右边的,反之就用左边的来估计,下面为了说明这个问题,就以右边的为例子,就是p的分布是已知的,来估计q。
使用KL散度,在p为零的地方,q就一定要尽可能的为零,这就会让q的分布曲线比较窄(图a),如果我们反过来用,p不是零,q也不会是零,q趋向于覆盖p(图b),这部分的图可以参考(pattern recognition and machine learning这本书,上面有两个图,比较形象)
参考:
http://blog.csdn.net/acdreamers/article/details/44657745
Pattern Recognition and Machine Learning
- KL散度(Kullback-Leibler Divergence)
- KL散度(Kullback-Leibler divergence)
- Kullback–Leibler divergence KL散度
- KL散度(Kullback–Leibler divergence)
- KL距离,Kullback-Leibler Divergence
- KL距离,Kullback-Leibler Divergence
- KL距离,Kullback-Leibler Divergence
- KL距离,Kullback-Leibler Divergence
- KL距离,Kullback-Leibler Divergence
- KL距离,Kullback-Leibler Divergence
- KL距离-Kullback-Leibler Divergence
- Kullback–Leibler divergence(相对熵,KL距离,KL散度)
- KL距离,Kullback-Leibler Divergence 浅谈KL散度
- 信息论——KL散度(Kullback–Leibler divergence)
- KL距离(Kullback-Leibler Divergence)
- (转载)KL距离,Kullback-Leibler Divergence
- Kullback–Leibler divergence
- Kullback–Leibler divergence
- [kotlin系列] (s1_2)基本类型
- js判断两个日期之间的天数差
- C++ 函数重载
- Spring BOOT 热部署
- leetcode 496 Next Greater Element I
- KL散度(Kullback-Leibler Divergence)
- Activity的生命周期
- 南阳OJ 852题 蛇形填数(二)
- python 格式化Json数据
- HTML5
- Siebel系统中配置LDAP认证
- WebService学习总结(一)——WebService的相关概念
- echo 懒加载
- gdb调试