深入理解机器学习中的信息熵、KL散度、交叉熵

最新推荐文章于 2025-01-10 22:18:03 发布

胤风

最新推荐文章于 2025-01-10 22:18:03 发布

阅读量1k

点赞数 5

CC 4.0 BY-SA版权

分类专栏： NLP自然语言处理数学知识文章标签：信息熵概率论机器学习神经网络深度学习

原文链接：https://www.zhihu.com/question/65288314/answer/244557337

数学知识同时被 2 个专栏收录

13 篇文章

订阅专栏

NLP自然语言处理

9 篇文章

订阅专栏

通用的说，熵(Entropy)被用于描述一个系统中的不确定性(the uncertainty of a system)。在不同领域熵有不同的解释，比如热力学的定义和信息论也不大相同。要想明白交叉熵(Cross Entropy)的意义，可以从熵(Entropy) -> KL散度(Kullback-Leibler Divergence) -> 交叉熵这个顺序入手。

先给出一个“接地气但不严谨”的概念表述：

熵：可以表示一个事件A的自信息量，也就是A包含多少信息。
KL散度：可以用来表示从事件A的角度来看，事件B有多大不同。
交叉熵：可以用来表示从事件A的角度来看，如何描述事件B。

一句话总结的话：KL散度可以被用于计算代价，而在特定情况下最小化KL散度等价于最小化交叉熵。而交叉熵的运算更简单，所以用交叉熵来当做代价。

信息量

任何事件都会承载着一定的信息量，包括已经发生的事件和未发生的事件，只是它们承载的信息量会有所不同。如昨天下雨这个已知事件，因为已经发生，既定事实，那么它的信息量就为0。如明天会下雨这个事件，因为未有发生，那么这个事件的信息量就大。从上面例子可以看出信息量是一个与事件发生概率相关的概念，而且可以得出，事件发生的概率越小，其信息量越大。这也很好理解，狗咬人不算信息，人咬狗才叫信息嘛。

我们已知某个事件的信息量是与它发生的概率有关，那我们可以通过如下公式计算信息量：

$h(x)=-\log _{2} p(x)$

熵(Entropy)

我们知道：当一个事件发生的概率为 $p (x),$ 那么它的信息量是 $log_2p(x)$ ,那么如果我们把这个事件的所有可能性罗列出来, 就可以求得该事件信息量的期望，即信息量的期望就是熵, 所以熵的公式为:

假设事件 $X$ 共有n种可能, 发生 $x_{i}$ 的概率为 $p(xi),p\left(x_{i}\right),$ 那么该事件的熵 $H (X)$ 为:
$H(X)=−∑i=1np(xi)log⁡(p(xi))H(X)=-\sum_{i=1}^{n} p\left(x_{i}\right) \log \left(p\left(x_{i}\right)\right)$

KL散度

我们上面说的是对于一个随机变量x的事件A的自信息量，如果我们有另一个独立的随机变量x相关的事件B，该怎么计算它们之间的区别？

此处我们介绍默认的计算方法：KL散度，有时候也叫KL距离，一般被用于计算两个分布之间的不同。看名字似乎跟计算两个点之间的距离也很像，但实则不然，因为KL散度不具备有对称性。在距离上的对称性指的是A到B的距离等于B到A的距离。

举个不恰当的例子，事件A：张三今天买了2个土鸡蛋，事件B：李四今天买了6个土鸡蛋。我们定义随机变量x：买土鸡蛋，那么事件A和B的区别是什么？有人可能说，那就是李四多买了4个土鸡蛋？这个答案只能得50分，因为忘记了"坐标系"的问题。换句话说，对于张三来说，李四多买了4个土鸡蛋。对于李四来说，张三少买了4个土鸡蛋。选取的参照物不同，那么得到的结果也不同。更严谨的说，应该是说我们对于张三和李四买土鸡蛋的期望不同，可能张三天天买2个土鸡蛋，而李四可能因为孩子满月昨天才买了6个土鸡蛋，而平时从来不买。

KL散度的数学定义：

对于离散事件我们可以定义事件A和B的差别为：
$DKL(A∥B)=∑iPA(xi)log⁡(PA(xi)PB(xi))=∑iPA(xi)log⁡(PA(xi))−PA(xi)log⁡(PB(xi))D_{K L}(A \| B)=\sum_{i} P_{A}\left(x_{i}\right) \log \left(\frac{P_{A}\left(x_{i}\right)}{P_{B}\left(x_{i}\right)}\right)=\sum_{i} P_{A}\left(x_{i}\right) \log \left(P_{A}\left(x_{i}\right)\right)-P_{A}\left(x_{i}\right) \log \left(P_{B}\left(x_{i}\right)\right)$
对于连续事件，那么我们只是把求和改为求积分而已
$DKL(A∥B)=∫a(x)log⁡(a(x)b(x))D_{K L}(A \| B)=\int a(x) \log \left(\frac{a(x)}{b(x)}\right)$

从公式中可以看出:

如果 $P_{A}=P_{B}$ ，即两个事件分布完全相同, 那么KL散度等于0。
减号左边的就是事件A的熵，请记住这个发现。如果颠倒一下顺序求 $D_{K L}(B|| A),$ 那么就需要使用B的熵, 答案就不一样了。所以KL散度来计算两个分布A与B的时候是不是对称的，有 “坐标系" 的问题, $DKL(A∥B)≠DKL(B∥A)D_{K L}(A \| B) \neq D_{K L}(B \| A)$

在机器学习中，A往往用来表示样本的真实分布，B用来表示模型所预测的分布，那么KL散度就可以计算两个分布的差异，也就是Loss损失值。

交叉熵

先上结论： KL散度 = 交叉熵 - 熵（注意正负号）， $D_{K L}(A \| B)=-S(A)+H(A, B)$

对比一下这是KL散度的公式：
$DKL(A∥B)=∑iPA(xi)log⁡(PA(xi)PB(xi))=∑iPA(xi)log⁡(PA(xi))−PA(xi)log⁡(PB(xi))D_{K L}(A \| B)=\sum_{i} P_{A}\left(x_{i}\right) \log \left(\frac{P_{A}\left(x_{i}\right)}{P_{B}\left(x_{i}\right)}\right)=\sum_{i} P_{A}\left(x_{i}\right) \log \left(P_{A}\left(x_{i}\right)\right)-P_{A}\left(x_{i}\right) \log \left(P_{B}\left(x_{i}\right)\right)$ 这是熵的公式：
$S(A)=−∑iPA(xi)log⁡PA(xi)S(A)=-\sum_{i} P_{A}\left(x_{i}\right) \log P_{A}\left(x_{i}\right)$ 这是交叉熵公式：
$B)=-\sum_{i} P_{A}\left(x_{i}\right) \log \left(P_{B}\left(x_{i}\right)\right)$

如果 $S (A)$ 是一个常量, 那么 KL散度和交叉熵是等价的。在机器学习中, 为了让学到的模型分布更贴近真实数据分布, 我们最小化模型数据分布与训练数据之间的KL散度，而因为训练数据的分布是固定的，即S是常数，因此最小化KL散度等价于最小化交叉熵。

reference
https://www.zhihu.com/question/65288314/answer/230209104
https://www.zhihu.com/question/65288314/answer/244557337