KL散度
来源:互联网 发布:淘宝怎么批量修改价格 编辑:程序博客网 时间:2024/06/05 22:55
我不生产自己不熟悉的内容,我只是陌生内容的搬运工!向原作致敬!
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)
- c语言 实现ping 功能/效果 检测当前网络是否连通
- Socket之shutdown()用法
- hdu5428
- 零基础入门Sketch
- Gabor变换
- KL散度
- 【NeatUpload】大附件上传配置文件
- Hibernate – One-to-Many example (Annotation)
- C++ 之 虚函数、虚基类与纯虚函数 浅析
- html上汉字乱码解决
- java 长整除问题
- UIScrollView
- Linux shell脚本的字符串截取
- 苹果IOS开发者账号的区别,企业账号,个人账号,公司团队账号,教育账号