信息熵与信息增益

红太狼 2022-03-15 16:07 461阅读 0赞

### 前言 ###

熵在机器学习中用的非常普遍，但这个又难以理解，经常忘记，写一篇博客记录一下，也方便其他人学习了解。

### 什么是熵 ###

一开始接触熵是大二的信息论，非常难的一门课，当时学的时候不知道这个东西有什么用，完全就不太想学，因为不知道干嘛，也不知道学了有什么用，但是现在很后悔，定义：`熵也叫信息熵，可以表征随机变量分布的混乱程度，分布越混乱，则熵越大，简易的解释就是：在一个随机事件中，某个事件发生的不确定度越大，熵也就越大，事件发生的概率越小，不确定度越大，熵也越大。`熵在物理学上表征物质状态的参量之一，也是体系混乱程度的度量；熵存在的意义是度量信息量的多少，人们常常说信息很多，或者信息较少，但却很难说清楚信息到底有多少，熵就是一个度量的单位，你也可以把他与千克、毫米等单位相比较增加理解，千克是重量单位，毫米是长度度量单位，所以用熵来度量信息，单位是比特(bit)或纳特(nat)。其实熵还可以用来度量其他的很多内容，特别是在物理领域，但这里不加追述，可以参考博客。

### 熵的计算 ###

熵是信息的度量，信息是事件的发生，我们可以通过如下公式来计算信息熵：  
 H ( X ) = − ∑ i n p ( x i ) log ⁡ 2 p ( x i ) H(X)=-\\sum\_\{i\}^\{n\}p(x\_i)\\log\_\{2\}p(x\_i) H(X)=−i∑np(xi)log2p(xi)  
这里其实有一点要说明，没有要求一定是取对数2，也可以取对数e作为底，可以参考统计学习方法中第60页的说明，从公式可以看出，`信息熵 H ( X ) H(X) H(X)是各项自信息的累加值，由于每一项都是整正数，故而随机变量取值个数越多，状态数也就越多，累加次数就越多，信息熵就越大，混乱程度就越大，纯度越小。越宽广的分布，熵就越大，在同样的定义域内，由于分布宽广性中脉冲分布 < 高斯分布 < 均匀分布，故而熵的关系为脉冲分布信息熵 < 高斯分布信息熵 < 均匀分布信息熵。`同样我们可以看到熵的计算只与事件概率有关，跟事件对应的值无关系，比如：抛硬币，硬币为正面概率是0.5，如果是正面，我得到7元，反面你得到5元钱，熵是不会考虑事件的取值。

*  公式约束了  0 log ⁡ 0 = 0 0\\log0=0 0log0=0，毕竟有些事情不会发生，但这种情况也不会被我们考虑，给个约束还是可以的。
 *  同样熵也是聚焦在整个大数据集上的，或者说是统计意义上的，某不是某次实际的样本数据，而是当样本数据无限多个的时候，熵才有意义，就像抛硬币，抛无穷多次，总体的情况可以用熵来表示。

推广到多维随机变量的联合分布，其联合信息熵：  
 H ( X , Y ) = − ∑ i n ∑ j m p ( x i , y j ) log ⁡ 2 p ( x i , y j ) H(X,Y)= -\\sum\_\{i\}^n \\sum\_\{j\}^mp(x\_i,y\_j)\\log\_2p(x\_i,y\_j) H(X,Y)=−i∑nj∑mp(xi,yj)log2p(xi,yj)

信息熵也是有推导过程的，参考博客，了解推导过程。

### 条件熵 ###

为S,什么要讲条件熵？这主要是为了讲解机器学习中的信息增益的概念，条件熵的定义为：在X给定条件下，Y的条件概率分布的熵对X的数学期望。有点抽象，看具体公式就比较容易理解了：  
 H ( Y ∣ X ) = H ( X , Y ) − H ( X ) H(Y|X)=H(X,Y)-H(X) H(Y∣X)=H(X,Y)−H(X)  
同理可以知道：  
 H ( X ∣ Y ) = H ( X , Y ) − H ( Y ) H(X|Y)=H(X,Y)-H(Y) H(X∣Y)=H(X,Y)−H(Y)

### 信息增益 ###

信息增益(Information Gain)：熵A-条件熵B，是信息量的差值，表示此条件对于信息熵减少的程度。也就是说，一开始是Ａ状态，用了条件后变成了Ｂ状态，则条件引起的变化是A-B，即信息增益（它描述的是变化Delta），统计学习方法中有一段解释：`信息增益表示得知特征X的信息而使得类Y的信息的不确定性减少的程度`，拿多特征分类来说，在某个特征下，原始信息熵减去已知该特征下的条件熵，这样就知道选取这个特征之后的信息增益，在决策树中我们选取信息增益最大的特征作为决策用的特征。我们看下信息增益的公式：  
 g ( D , A ) = H ( D ) − H ( D ∣ A ) g(D,A)=H(D)-H(D|A) g(D,A)=H(D)−H(D∣A)  
其中A就是一个特征，D是原始的数据集， D ∣ A D|A D∣A是在A分类下的数据集，两个数据集的信息熵相减就是信息增益，可能有人问了，那么这两个信息熵有什么区别，已知一个条件之后混乱程度就减少很多，信息熵自然是减少的，可以拿一个例子来分析：

<table> 
 <thead> 
  <tr> 
   <th>编号</th> 
   <th>身高</th> 
   <th>颜值</th> 
   <th>喜欢喝酒程度</th> 
   <th>是否渣男</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>1</td> 
   <td>中</td> 
   <td>1</td> 
   <td>3</td> 
   <td>否</td> 
  </tr> 
  <tr> 
   <td>2</td> 
   <td>低</td> 
   <td>2</td> 
   <td>1</td> 
   <td>否</td> 
  </tr> 
  <tr> 
   <td>3</td> 
   <td>低</td> 
   <td>3</td> 
   <td>3</td> 
   <td>是</td> 
  </tr> 
  <tr> 
   <td>4</td> 
   <td>高</td> 
   <td>2</td> 
   <td>3</td> 
   <td>否</td> 
  </tr> 
  <tr> 
   <td>5</td> 
   <td>高</td> 
   <td>1</td> 
   <td>2</td> 
   <td>否</td> 
  </tr> 
 </tbody> 
</table>

身高、颜值、喝酒都是特征，是否渣男是分类结果，我们来算，已知A事件为身高情况下的信息增益：  
 H ( D ) = − ( 4 5 log ⁡ 2 4 5 ) − ( 1 5 log ⁡ 2 1 5 ) = 0.72187 H ( D ∣ A ) = − 2 5 ( 1 2 log ⁡ ( 1 2 ) + 1 2 log ⁡ ( 1 2 ) ) − 1 5 ( 1 log ⁡ 1 ) − 2 5 ( 1 log ⁡ 1 + 0 ) = 0.4 g ( D , A ) = H ( D ) − H ( D ∣ A ) = 0.32187 \\begin\{aligned\} H(D)&=-(\\frac\{4\}\{5\}\\log\_2\{\\frac\{4\}\{5\}\})-(\\frac\{1\}\{5\}\\log\_2\{\\frac\{1\}\{5\}\}) \\\\ &=0.72187 \\\\ H(D|A)&=-\\frac\{2\}\{5\}(\\frac\{1\}\{2\}\\log(\\frac\{1\}\{2\})+\\frac\{1\}\{2\}\\log(\\frac\{1\}\{2\}))-\\frac\{1\}\{5\}(1\\log1)-\\frac\{2\}\{5\}(1\\log1+0) \\\\ &=0.4\\\\ g(D,A)&=H(D)-H(D|A)=0.32187 \\end\{aligned\} H(D)H(D∣A)g(D,A)=−(54log254)−(51log251)=0.72187=−52(21log(21)\+21log(21))−51(1log1)−52(1log1\+0)=0.4=H(D)−H(D∣A)=0.32187  
求解H(D|A)的时候也要考虑条件概率，已知该条件下的分类结果的信息熵，例如其中 2 / 5 2/5 2/5就是身高为低的概率，在身高为低的样本中有一个样本是渣男，另一个样本不会渣男，由此来计算条件熵，详细可以参考统计学习基础的62页，有公式图表。

好的条件就是信息增益越大越好，即变化完后熵越小越好（熵代表混乱程度，最大程度地减小了混乱）。因此我们在树分叉的时候，应优先使用信息增益最大的属性，这样降低了复杂度，也简化了后边的逻辑

### 参考博客 ###

统计学习方法 - - 第60页  
[机器学习入门：重要的概念—信息熵（Shannon’s Entropy Model）][Shannon_s Entropy Model]  
[机器学习各种熵：从入门到全面掌握][Link 1]

[Shannon_s Entropy Model]: https://zhuanlan.zhihu.com/p/30854084
[Link 1]: https://zhuanlan.zhihu.com/p/35423404