浅谈熵与贝叶斯

熵概述

entropy,用来描述概率分布的混乱程度,描述包含的信息量。 一般认为,越混乱的系统包含的信息量越大,反之确定的概率为1的系统不包含任何信息量。

以猜数字举例,猜1到100的一个数字,采用二分法的话需要log_2(100)次,从这个角度理解,是所有信息进行二进制编码需要的位数。

更一般的,对于一个概率分布X∼P(xi=pi)X \sim P(x_i = p_i),其熵为:

熵有以下特点:

  1. P=1P=1的系统熵最小,为00。
  2. 均匀分布的系统熵最大,为H=log2(n)H = log_2(n ),反之系统越偏斜熵越小。
  3. 对于自然界中的一个系统,熵只会增加不会减少,并且过程不可逆。

关于熵的公式有以下几个:

其中,H(X,Y)H(X,Y) 可以理解成X,YX,Y的联合概率分布的熵,I(X,Y) 可以理解成增加YY的information gain以及mutual entropy

贝叶斯概述

熵与贝叶斯

熵和贝叶斯都有一个大前提——知道概率分布。但是两者侧重不一样:

  • 贝叶斯侧重于计算出新的概率分布,根据新的知识提取信息。
  • 熵侧重于keep score,量化提取信息的程度。

例子

Monty Hall

三门问题(Monty Hall problem)亦称为蒙提霍尔问题、蒙特霍问题或蒙提霍尔悖论,大致出自美国的电视游戏节目Let’s Make a Deal。问题名字来自该节目的主持人蒙提·霍尔(Monty Hall)。参赛者会看见三扇关闭了的门,其中一扇的后面有一辆汽车,选中后面有车的那扇门可赢得该汽车,另外两扇门后面则各藏有一只山羊。当参赛者选定了一扇门,但未去开启它的时候,节目主持人开启剩下两扇门的其中一扇,露出其中一只山羊。主持人其后会问参赛者要不要换另一扇仍然关上的门。问题是:换另一扇门会否增加参赛者赢得汽车的机会率?如果严格按照上述的条件,即主持人清楚地知道,哪扇门后是羊,那么答案是会。换门的话,赢得汽车的机率是2/3。

这道题的关键是,主持人的操作,改变了原来的概率分布!

从概率的观点来看,坚持观点获胜的概率是0.330.33,改变观点获胜的概率是0.670.67。

从熵的观点来看,主持人提供信息之前的熵是

主持人提供信息之后的熵是

所以主持人的information gain

占原来的熵比例是

也就是说,主持人将结果的不确定性减少了41.8%。

另一个的Monty Hall

现在将原问题稍作修改,有5个门,主持人打开没有奖的两个门。

从概率的观点来看,不改变观点获胜的概率是1/51/5,改变观点获胜的概率是2/52/5,失败的概率是2/52/5。

从熵的角度上看,原来的熵是2.322.32,主持人操作后熵是1.521.52,熵减了0.80.8,减少了34.5%34.5\%。

投掷硬币

小明喜欢和大家玩投掷硬币的游戏,30%30\%的时间他用均匀的硬币,70%70\%的时间他用不均匀的硬币。均匀硬币正反的概率都是0.50.5,不均与的硬币正反的概率分别是0.4,0.60.4,0.6。

现在投掷的第一枚是正面,那么会造成:

Null

Fair

Un-Fair

Entropy

实验前

0.3

0.7

0.8813

实验后

0.35

0.65

0.9341

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据文摘

用神经网络续写《权力的游戏》,这个脑洞有点大(附完整小说下载)

1284
来自专栏华章科技

一位数学专业女生大学毕业前的感慨:不好意思,是我天真了

问自己永远有多远!!!! 已知X是非平方数,证明X开根号是无理数 TM这还需要证明 学完定与不定积分后

601
来自专栏用户2442861的专栏

如果看了这篇文章你还不懂傅里叶变换,那就过来掐死我吧(3)

作者:Heinrich 链接:https://zhuanlan.zhihu.com/p/19763358 来源:知乎 著作权归作者所有。商业转载请联系作者...

521
来自专栏技术随笔

医疗CT影像肺结节检测参考项目(附论文)

4018
来自专栏新智元

周志华:Learnware 将是机器学习的未来

【新智元导读】《机器学习》作者、南京大学教授周志华在本文中,针对当前机器学习环境适应低、数据共享难等局限,提出新概念 learnware(学件)。Learnwa...

2824
来自专栏数据结构与算法

记一道贝叶斯公式的裸题

上课好不容易听懂了,赶紧整理一下,不然以我的记性估计明天就要忘干净了 题目 一个用户所有邮件分为两类:$A_1$代表垃圾邮件, $A_2$代表非垃圾邮件 根据经...

2535
来自专栏思影科技

《大话脑成像》系列之二:不同模态脑网络的构建

接上回 只见孔乙己涨红了脸,额上的青筋条条绽出,争辩道,“这不能算报错……是BUG!……写代码的事,能算错么?”接连便是难懂的话,什么“涡旋噪声”、“敏捷开发...

2926
来自专栏华章科技

中科院的井盖火了!很多人表示压根看不懂,你来试试吧

导读:中国科学院物理所的不少井盖近日换了“新装”,每个卡通图案对应着一个物理学公式,科学与艺术在24个井盖上碰撞出有趣的火花。

912
来自专栏专知

【IJCAI 2018】30大 Tutorial,人工智能百花齐放

【导读】当地时间 7 月 13 - 19 日,备受关注的 AI 顶级国际会议 IJCAI 在瑞典斯德哥尔摩举行。在这次会议上,人工智能和机器学习领域的研究者为我...

1232
来自专栏SIGAI学习与实践平台

永远的金大侠-人工智能的江湖

金庸先生已离我们远去,笔者当天在朋友圈看到这一消息时心情非常沉痛。作为在小学时就开始读金庸小说的80后,先生给我们的,不仅仅是一个个鲜活的人物,跌宕起伏的故事情...

1153

扫码关注云+社区