信息熵_波段信息熵一般多大-程序员宅基地

1.简介

熵的概念最早起源于，热力学中表征物质状态的参量之一，其物理意义是体系混乱程度的度量，即用于度量一个热力学系统的无序程度。

在信息论里面，熵是对信息不确定性的测量。香农（C. E. Shannon）信息论应用概率来描述不确定性。信息是用不确定性的量度定义的。一个消息的可能性愈小，其信息愈多；而消息的可能性愈大，则其信息愈少。事件出现的概率小，不确定性越多，信息量就大，反之则少。

信息量是指信息多少的量度。1928年，R.V.L.哈特莱首先提出信息定量化的初步设想，他将消息数的对数定义为信息量。若信源有m种消息，且每个消息是以相等可能产生的，则该信源的信息量可表示为I=logm

信息量与概率呈单调递减关系，概率越小，信息量越大。

信息量的数学定义如下式所示，可用随机变量的概率来表示，U表示发送的信息，则 $u_{i}$ 表示发送信息U中的一种类型：

信息熵表示信息量的数学期望，是信源发出信息前的平均不确定性，也称为先验熵。

熵越高，信息的不确定性越大，预测的难度越大，则能传输越多的信息；

熵越低，信息的不确定性越小，即信息很容易预测到，则意味着传输的信息越少。

如：文件压缩，压缩掉冗余内容

如果压缩是无损的，即通过解压缩可以百分之百地恢复初始的消息内容，那么压缩后的消息携带的信息和未压缩的原始消息是一样的多。而压缩后的消息可以通过较少的比特传递，因此压缩消息的每个比特能携带更多的信息，也就是说压缩信息的熵更加高。

未压缩信息：包含很多很容易预测到的对信息的传递无关紧要的内容
压缩信息：压缩信息的熵更高，意味着比较难于预测压缩消息携带的信息，原因在于压缩消息里面没有冗余，即每个比特的消息携带了一个比特的信息。香农的信源编码定理揭示了，任何无损压缩技术不可能让一比特的消息携带超过一比特的信息。消息的熵乘以消息的长度决定了消息可以携带多少信息。

2.定义

2.1 熵/边缘熵/先验熵

在信息论与概率统计中，熵是表示随机变量不确定性的度量，不确定性越高，熵值越大。

设 X 是离散型随机变量（有限个），其概率分布为：

则随机变量 X 的熵的定义为：

注意：

熵与X变量的取值无关，只依赖于X的分布， $H$ 可以看作 $p_{1},p_{2},...,p_{n}$ 的函数；
熵可以看作 $-logp_{i}$ 的数学期望，负号的作用是确保结果为正；
log 一般以2为底，单位是比特(bit)，或者以 $e$ 为底，单位奈特(nat)；

信息熵的取值范围：

n：X的取值类别数

当 $p=0/1，$ 时， $H(p)=0$ ：随机变量取值很确定，即完全没有发送信息的不确定性

当 $p=\frac{1}{n}$ 时， $H(p)=logn$ ：此时模棱两可，熵取值最大。也就是，当随机变量 X 为均匀分布时，信息熵取值最大。

拿二分类来说，当 $p=0.1\approx 0$ ， $p=0.85\approx 1$ ： $H(0)<H(0.9)<H(0.5)$

2.2 条件熵

（1）后验熵

信息熵H(Y) 表示在发出信息 $x$ 之前Y存在的不确定性，在接收到信息 $x$ 之后，信息Y的不确定性会发生改变，即后验熵 $H(Y|x)$ ，它是接收到一定的信息后，对信息Y进行的后验判断，定义如下：

（2）条件熵：后验熵的期望

考虑所有信息X时，得到后验熵的期望，即条件熵。条件熵 H(Y|X) 表示在已知随机变量X的条件下，随机变量Y的不确定性，定义为X给定条件下Y的条件概率分布的熵对X的数学期望。

H(Y|X) 表示在接收到X后对信息Y仍存在的平均不确定性，通常由随机干扰引起。

2.3 联合熵

对于多维随机变量（X,Y），其联合分布为

联合熵的定义为：

基于边缘熵的定义，很容易得到两个随机变量的联合熵。

最后，将边缘熵、条件熵、联合熵联系起来：

由此可见，H(X,Y) 的不确定性最大，当它减去了 H(X)，得到在X确定的情况下Y的不确定性。

2.4 互信息

互信息 $I(X;Y)$ 的含义：给定条件Y后，X的信息的不确定性减少的程度。

如果X和Y相互独立，则 $H(X)=H(X|Y)$ ，即它们的互信息为0。

3.信息增益

当熵和条件熵的概率是根据训练集数据估计得到时，成为“经验熵”和“经验条件熵”。

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，熵 $H(Y)$ 与条件熵 $H(Y|X)$ 的差，即互信息。

对于机器学习分类，熵是对不确定性的测量，也可以说是度量样本集合纯度的一种指标，也就是说样本类数越少（不确定性越小），样本纯度越高，信息熵就越小。

决策树中，最重要的一步就是划分属性，信息增益是划分属性的一种方式。直观上讲：

$Gain(D,A)$ = 划分之前数据集的信息熵 - 特征A划分之后的信息熵

信息增益等价于训练数据集中类与特征的互信息，表示由于特征A而使得对数据集D进行分类的不确定性减少的程度。

对于数据集D而言，信息增益依赖于特征，不同的特征往往具有不同的信息增益，信息增益大的特征具有更强的分类能力。

因此，根据信息增益准则的特征选择方法是：对训练集D，计算其每个特征的信息增益，比较其大小，选择信息增益最大的特征。

参考：

https://zhuanlan.zhihu.com/p/112272582

本文链接：https://blog.csdn.net/qq_27586341/article/details/107684165

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

分布式光纤传感器的全球与中国市场2022-2028年：技术、参与者、趋势、市场规模及占有率研究报告_预计2026年中国分布式传感器市场规模有多大-程序员宅基地

文章浏览阅读3.2k次。本文研究全球与中国市场分布式光纤传感器的发展现状及未来发展趋势，分别从生产和消费的角度分析分布式光纤传感器的主要生产地区、主要消费地区以及主要的生产商。重点分析全球与中国市场的主要厂商产品特点、产品规格、不同规格产品的价格、产量、产值及全球和中国市场主要生产商的市场份额。主要生产商包括：FISO TechnologiesBrugg KabelSensor HighwayOmnisensAFL GlobalQinetiQ GroupLockheed MartinOSENSA Innovati_预计2026年中国分布式传感器市场规模有多大

07_08 常用组合逻辑电路结构——为IC设计的延时估计铺垫_基4布斯算法代码-程序员宅基地

文章浏览阅读1.1k次，点赞2次，收藏12次。常用组合逻辑电路结构——为IC设计的延时估计铺垫学习目的：估计模块间的delay，确保写的代码的timing 综合能给到多少HZ，以满足需求！_基4布斯算法代码

OpenAI Manager助手（基于SpringBoot和Vue）_chatgpt网页版-程序员宅基地

文章浏览阅读3.3k次，点赞3次，收藏5次。OpenAI Manager助手（基于SpringBoot和Vue）_chatgpt网页版

关于美国计算机奥赛USACO，你想知道的都在这_usaco可以多次提交吗-程序员宅基地

文章浏览阅读2.2k次。USACO自1992年举办，到目前为止已经举办了27届，目的是为了帮助美国信息学国家队选拔IOI的队员，目前逐渐发展为全球热门的线上赛事，成为美国大学申请条件下，含金量相当高的官方竞赛。USACO的比赛成绩可以助力计算机专业留学，越来越多的学生进入了康奈尔，麻省理工，普林斯顿，哈佛和耶鲁等大学，这些同学的共同点是他们都参加了美国计算机科学竞赛（USACO)，并且取得过非常好的成绩。适合参赛人群USACO适合国内在读学生有意向申请美国大学的或者想锻炼自己编程能力的同学，高三学生也可以参加12月的第_usaco可以多次提交吗

MySQL存储过程和自定义函数_mysql自定义函数和存储过程-程序员宅基地

文章浏览阅读394次。1.1 存储程序1.2 创建存储过程1.3 创建自定义函数1.3.1 示例1.4 自定义函数和存储过程的区别1.5 变量的使用1.6 定义条件和处理程序1.6.1 定义条件1.6.1.1 示例1.6.2 定义处理程序1.6.2.1 示例1.7 光标的使用1.7.1 声明光标1.7.2 打开光标1.7.3 使用光标1.7.4 关闭光标1.8 流程控制的使用1.8.1 IF语句1.8.2 CASE语句1.8.3 LOOP语句1.8.4 LEAVE语句1.8.5 ITERATE语句1.8.6 REPEAT语句。_mysql自定义函数和存储过程

半导体基础知识与PN结_本征半导体电流为0-程序员宅基地

文章浏览阅读188次。半导体二极管——集成电路最小组成单元。_本征半导体电流为0

随便推点

【Unity3d Shader】水面和岩浆效果_unity 岩浆shader-程序员宅基地

文章浏览阅读2.8k次，点赞3次，收藏18次。游戏水面特效实现方式太多。咱们这边介绍的是一最简单的UV动画（无顶点位移），整个mesh由4个顶点构成。实现了水面效果（左图），不动代码稍微修改下参数和贴图可以实现岩浆效果（右图）。有要思路是1，uv按时间去做正弦波移动2，在1的基础上加个凹凸图混合uv3，在1、2的基础上加个水流方向4，加上对雾效的支持，如没必要请自行删除雾效代码(把包含fog的几行代码删除)S..._unity 岩浆shader

广义线性模型——Logistic回归模型（1）_广义线性回归模型-程序员宅基地

文章浏览阅读5k次。广义线性模型是线性模型的扩展，它通过连接函数建立响应变量的数学期望值与线性组合的预测变量之间的关系。广义线性模型拟合的形式为：其中g(μY)是条件均值的函数（称为连接函数）。另外，你可放松Y为正态分布的假设，改为Y 服从指数分布族中的一种分布即可。设定好连接函数和概率分布后，便可以通过最大似然估计的多次迭代推导出各参数值。在大部分情况下，线性模型就可以通过一系列连续型或类别型预测变量来预测正态分布的响应变量的工作。但是，有时候我们要进行非正态因变量的分析，例如：（1）类别型.._广义线性回归模型

HTML+CSS大作业环境网页设计与实现(垃圾分类) web前端开发技术 web课程设计网页规划与设计_垃圾分类网页设计目标怎么写-程序员宅基地

文章浏览阅读69次。环境保护、保护地球、校园环保、垃圾分类、绿色家园、等网站的设计与制作。总结了一些学生网页制作的经验：一般的网页需要融入以下知识点：div+css布局、浮动、定位、高级css、表格、表单及验证、js轮播图、音频视频 Flash的应用、ul li、下拉导航栏、鼠标划过效果等知识点，网页的风格主题也很全面：如爱好、风景、校园、美食、动漫、游戏、咖啡、音乐、家乡、电影、名人、商城以及个人主页等主题，学生、新手可参考下方页面的布局和设计和HTML源码（有用点赞△）一套A+的网_垃圾分类网页设计目标怎么写

C# .Net 发布后,把dll全部放在一个文件夹中,让软件目录更整洁_.net dll 全局目录-程序员宅基地

文章浏览阅读614次，点赞7次，收藏11次。之前找到一个修改 exe 中 DLL地址的方法, 不太好使,虽然能正确启动, 但无法改变 exe 的工作目录,这就影响了.Net 中很多获取 exe 执行目录来拼接的地址 ( 相对路径 ),比如 wwwroot 和代码中相对目录还有一些复制到目录的普通文件等等,它们的地址都会指向原来 exe 的目录, 而不是自定义的 “lib” 目录,根本原因就是没有修改 exe 的工作目录这次来搞一个启动程序,把 .net 的所有东西都放在一个文件夹,在文件夹同级的目录制作一个 exe._.net dll 全局目录

BRIEF特征点描述算法_breif description calculation 特征点-程序员宅基地

文章浏览阅读1.5k次。本文为转载，原博客地址：http://blog.csdn.net/hujingshuang/article/details/46910259简介 BRIEF是2010年的一篇名为《BRIEF:Binary Robust Independent Elementary Features》的文章中提出，BRIEF是对已检测到的特征点进行描述，它是一种二进制编码的描述子，摈弃了利用区域灰度..._breif description calculation 特征点

房屋租赁管理系统的设计和实现，SpringBoot计算机毕业设计论文_基于spring boot的房屋租赁系统论文-程序员宅基地

文章浏览阅读4.1k次，点赞21次，收藏79次。本文是《基于SpringBoot的房屋租赁管理系统》的配套原创说明文档，可以给应届毕业生提供格式撰写参考，也可以给开发类似系统的朋友们提供功能业务设计思路。_基于spring boot的房屋租赁系统论文