本节主要介绍了信息熵的计算与感知机算法

信息熵

信息熵的计算：
$H(U)=\sum_{i=1}^np_ilog(\frac1{p_i})$
交叉熵：用于表征两个变量概率分布P、Q（假设P表示真实分布、Q为模型预测的分布）的差异性
- 交叉熵越大，两个变量差异程度越大
- 交叉熵公式：
  $H(P,Q)=\sum_{x\in X}P(x)log\frac{1}{Q(x)}$
相对熵：是交叉熵与信息熵的差值
- 表示用分布Q模拟真实分布P，所需的额外信息
- 计算公式：
  $D_{KL}(P||Q)=\sum_{x\in X}P(x)log\frac1{Q(x)}-\sum_{x\in X}P(x)log\frac1{P(x)}=\sum_{x\in X}P(x)log\frac{P(x)}{Q(x)}$
- 性质：
  - 相对熵(KL散度)不具有对称性，即：
    $D_{KL}(P||Q)\neq D_{KL}(Q||P)$
  - 相对熵具有非负性
    $D_{KL}(P||Q)\ge0$
JS散度：具有对称性，现有两个分布$p1,p2$，其JS散度公式为：
$JS(P1||P2)=\frac12KL(P1||\frac{P_1+P_2}{2})+\frac12KL(P_2|\frac{P_1+P_2}2)$