猪猪的机器学习笔记（七）最大熵模型
最大熵模型
作者：樱花猪
摘要：
本文为七月算法（julyedu.com）12月机器学习第七次课在线笔记。熵，这个概念对于我们来说既熟悉又陌生，熟悉的是我们在许多领域都会碰到熵这个概念，陌生的是如果真的让你解释它又说不清道不明。本次课程讨论了熵的概念并详细解释了最大熵模型。这次课承上启下，将前几次课程所埋的坑一一填起，又为接下来更加深入的机器学习做了铺垫。
引言：
熵的概念对我来说既陌生又熟悉，在看论文中常常会碰到“熵”但是却总是觉得差一口气来解释它。通过这次课程，终于对于熵这个概念有了一个更加具体和感性的认识，不再单单局限于冰冷的公式。最大熵模型在机器学习以及其他算法中都有所提到，是一种非常常见又有用的方法。本文首先阐述了有关于“熵”的一些概念，然后详细的介绍了最大熵模型和其应用。
预备知识：
参数估计、概率论、方阵的导数
最大熵模型
ICA
一、熵及相关概念
1、信息量
当一个小概率事件发生了，那么这个事件的信息量很大；反之如果一个大概率事件发生了，这个事件的信息量就很少。根据这个描述，我们可以构造一个信息量的表达式：
若事件A发生的概率为P，那么A的信息量为：
2、熵
对随机事件的信息量求期望，得熵的定义：
注：经典熵的定义，底数是2，单位是bit
3、联合熵Joint Entropy
4、条件熵
在Y发生的前提下，X发生“新”带来的熵 。
互信息表示法：
5、相对熵
相对熵，又称互熵，交叉熵，鉴别信息，Kullback 熵，Kullback-Leible（KL）散度等。
相对熵可以度量两个随机变量的“距离”，K-L距离；是非常重要的概念。：K-L距离是非对称的。
公式：、
设p(x)、q(x)是X中取值的两个概率分布，则p对q的相对熵是
假定使用KL(Q||P)，为了让距离最小，则要求在P为 0的地方，Q尽量为0。会得到比较“窄”的分布曲 线；
假定使用KL(P||Q)，为了让距离最小，则要求在P不为0的地方，Q也尽量不为0。会得到比较“宽”的分 布曲线；
6、互信息
两个随机变量X，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。
注：可以联系“互信息”
7、整理
对偶式：
二、最大熵模型
1、最大熵模型原则
a. 承认已知事物(知识)
b. 对未知事物不做任何假设，没有任何偏见
2、最大熵模型Maxent
P={p | p是X上满足条件的概率分布}
3、求解过程：
最大熵模型MaxEnt的目标拉格朗日函数L
归一化因子：
5、应用：
ICA独立成分分析
ICA的目标函数：
ICA可以用最大化各个成分的统计独立性作为目标函数。
“独立性”判断原则为：
a. 最小化各个成分的互信息（MMI、K-L散度、最大熵）
b. 最大化各个成分的非高斯性
PCA：主成分分析；分出来是不相关的。
ICA：独立成分分析。分出来是独立的。
6、极大似然估计和最大熵模型
根据极大似然估计的正确性可以断定：最大熵的解 (无偏的对待不确定性)是最符合样本数据分布的解，即最大熵模型的合理性。
信息熵可以作为概率分布集散程度的度量，使用熵的近似可以推导出基尼系数，在统计问题、决策树 等问题中有重要作用。
熵：不确定度
似然：与知识的吻合程度
最大熵模型：对不确定度的无偏分配
最大似然估计：对知识的无偏理解
知识＝不确定度的补集
