机器学习—最大熵模型（MEM）小结
当我们想要得到一个随机事件的概率分布时，如果没有足够的信息来完全确定其概率分布，那么最为保险的方法就是选择一个使得熵最大的分布。
最大熵模型
1.信息论知识
这里就照搬我写的一篇关于决策树的内容了。原文链接：决策树与随机森林(从入门到精通)
1.1信息熵的概念
设离散型随机变量X的取值有 x 1 , x 2 , x 3 , . . . , x n x_{1},x_{2},x_{3},…,x_{n} x1,x2,x3,...,xn，其发生概率分别为 p 1 , p 2 , p 3 , . . . , p n p_{1},p_{2},p_{3},…,p_{n} p1,p2,p3,...,pn，那么就可以定义信息熵为：
一般对数的底数是2，当然也可以换成e，当对数底数为2时，信息熵的单位为比特，信息熵也称香农熵。当对数不为2而是其他大于2的整数r时，我们称信息熵为r-进制熵，记为 H r ( X ) H_{r}(X) Hr(X)，它与信息熵转换公式为：
信息熵用以描述信源的不确定度， 概率越大，可能性越大，但是信息量越小，不确定性越小，熵越小。
1.2.条件熵
设随机变量(X,Y)具有联合概率分布：
条件熵 H ( Y ∣ X ) H(Y|X) 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。可以这样理解：(X,Y)发生所包含的熵，减去X单独发生的熵，就是在X发生的前提下，Y发生新带来的熵。 所以条件熵有如下公式成立：
推导如下：
1.3相对熵
相对熵，又称互熵，交叉熵，鉴别信息，Kullback熵，Kullback-Leible散度等。定义如下： 设p(x)，q(x)是随机变量X中取值的两个概率分布，则p对q的相对熵为：
在信息理论中，相对熵等价于两个分布的信息熵（Shannon entropy）的差值。 即：
1.4互信息
两个随机变量X和Y的互信息，定义为X，Y的联合分布和独立分布乘积的相对熵。即：
所以根据KL散度也就是相对熵的定义，可以推出互信息的表达式如下：
继续推导如下：
所以最后有：
1.5几个量之间的关系
结合上述条件熵的两个表达式，可以进一步推出：
当然我们也可以根据熵的定义来直接推出上面这个互信息的公式：
同时我们也可以得到两个不等式：
上面这个不等式告诉我们，对于一个与X相关的随机变量Y，只要我们得知了一点关于Y的信息，那么X的不确定度就会减小。 最后，借助强大的韦恩图来记住这些关系：
2.无约束条件
假设有一随机变量X是离散的，我们只是知道它有K个可能的取值，其余什么信息都不知道，那么我们该如何估计才能使得熵最大呢？
X | 1…K |
|---|---|
p | p1…pK |
根据上面熵的定义，我们知道我们要做的其实就是： | |
概率相加为1这个条件肯定得是天然满足的，换成求最小值：
同样利用拉格朗日乘子法，我们令：
我们让L对 p i p_{i} pi求导得：
可以看到，每一个 p i p_{i} pi都是一个相等的常数，又因为相加为1，所以每一个取值发生的概率都相等并且为1/K。因此，不知道任何已知条件的情况下，离散的随机变量均匀分布时，它的熵最大。
3.最大熵原理
我们设数据集为 ( x 1 , x 2 , . . . , x N ) (x_{1},x_{2},…,x_{N}) (x1,x2,...,xN)。 最大熵原理认为：在所有可能的概率模型中，熵最大的模型为最好的概率模型。求最大熵模型的步骤大致为：
- 根据已知约束条件筛选出可能的概率模型
- 在所有可能的概率模型中选出一个熵最大的模型作为最终的模型。
3.1构造约束条件
我们第一步要根据已知条件筛选出可能的概率模型，那么什么才是已知条件？这个需要我们自己构造，构造步骤如下：
- 我们定义一个f(x)，f(x)是任意一个关于随机变量x的函数，我们称它为特征函数。
- 根据我们上面给出的训练数据集，我们可以得到f(x)的经验分布为 p ^ ( f ( x ) ) \hat{p}(f(x)) p^(f(x))，进而求得其经验分布的期望为： E p ^ [ f ( x ) ] E_{\hat{p}}[f(x)] Ep^[f(x)]=一个已知量。
- 解释一下经验分布： p ^ ( f ( x 1 ) ) \hat{p}(f(x1)) p^(f(x1))= x 1 x_{1} x1在训练集中出现的次数/样本集的总数目。
为什么我们要定义一个经验概率分布呢？ 因为如果我们判断的随机变量x的概率分布是正确的，那么我们定义一个任意一个特征函数f(x)，算出它的经验概率分布的期望，应该就等于f(x)真实的期望，这样我们就构造了一个约束条件。
3.2求解概率分布
那么我们最终要求解的就是：
其中 δ \delta δ已知。利用拉格朗日乘子法，我们令：
其中 λ 0 是 一 个 常 数 ， λ 是 一 个 列 向 量 ， \lambda_{0}是一个常数，\lambda是一个列向量， λ0是一个常数，λ是一个列向量，f(x)也是一个列向量，它们都是Q维。我们让L对 p ( x ) p(x) p(x)求导得：
于是我们就得到了 p ( x ) p(x) p(x)的具体值，也就是x的具体分布。剩余参数可以通过KKT条件来求，这里就不再叙述了，具体可以参考：强对偶性、弱对偶性以及KKT条件的证明（对偶问题的几何证明）
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/180267.html原文链接：https://javaforall.cn