KL散度
来源:互联网 发布:php7 比 java 更难了 编辑:程序博客网 时间:2024/06/05 17:15
KL散度,又称KL距离。
详情请见:http://en.wikipedia.org/wiki/Kullback%E2%80%93Leibler_divergence
下面是转载内容:
===========================
KL-divergence,俗称KL距离,常用来衡量两个概率分布的距离。
根据shannon的信息论,给定一个字符集的概率分布,我们可以设计一种编码,使得表示该字符集组成的字符串平均需要的比特数最少。假设这个字符集是X,对x∈X,其出现概率为P(x),那么其最优编码平均需要的比特数等于这个字符集的熵:
H(X)=∑x∈XP(x)log[1/P(x)]
在同样的字符集上,假设存在另一个概率分布Q(X)。如果用概率分布P(X)的最优编码(即字符x的编码长度等于log[1/P(x)]),来为符合分布Q(X)的字符编码,那么表示这些字符就会比理想情况多用一些比特数。KL-divergence就是用来衡量这种情况下平均每个字符多用的比特数,因此可以用来衡量两个分布的距离。即:
DKL(Q||P)=∑x∈XQ(x)[log(1/P(x))] - ∑x∈XQ(x)[log[1/Q(x)]]=∑x∈XQ(x)log[Q(x)/P(x)]
由于-log(u)是凸函数,因此有下面的不等式
DKL(Q||P) = -∑x∈XQ(x)log[P(x)/Q(x)] = E[-logP(x)/Q(x)] ≥ -logE[P(x)/Q(x)] = -log∑x∈XQ(x)P(x)/Q(x) = 0
即KL-divergence始终是大于等于0的。当且仅当两分布相同时,KL-divergence等于0。
===========================
举一个实际的例子吧:比如有四个类别,一个方法A得到四个类别的概率分别是0.1,0.2,0.3,0.4。另一种方法B(或者说是事实情况)是得到四个类别的概率分别是0.4,0.3,0.2,0.1,那么这两个分布的KL-Distance(A,B)=0.1*log(0.1/0.4)+0.2*log(0.2/0.3)+0.3*log(0.3/0.2)+0.4*log(0.4/0.1)
这个里面有正的,有负的,可以证明KL-Distance()>=0.
从上面可以看出, KL散度是不对称的。即KL-Distance(A,B)!=KL-Distance(B,A)
KL散度是不对称的,当然,如果希望把它变对称,
Ds(p1, p2) = [D(p1, p2) + D(p2, p1)] / 2
- KL Divergence KL散度
- KL散度 kl divergence
- KL Divergence(KL 散度)
- KL散度
- KL散度
- KL散度
- KL散度
- KL散度
- KL散度
- KL散度
- KL散度
- KL散度
- KL Divergence(KL散度)
- KL 散度( KL-Divergence)
- KL散度=KL距离
- KL散度(Kullback-Leibler_divergence)
- KL散度(Kullback-Leibler_divergence)
- KL散度(Kullback-Leibler_divergence)
- Oracle PLSQL之HAVING后面的条件可由聚合函数构成,也可由GROUP BY后的字段构成
- android 首选项 EditTextPreference
- 什么是HA
- 没积分了
- 十进制转二进制程序
- KL散度
- VC获取当前程序文件的路径,文件名以及路径+文件名
- android back键连击两次退出(即使退出)
- php 判断变量是否为空
- 文件操作
- iPhone 客户端加载远程数据
- Android使用SQLite
- const引用
- c/c++中内存区域划分大总结