**：通俗理解條件熵
前面我們總結了資訊熵的概念通俗理解資訊熵 - 知乎專欄,這次我們來理解一下條件熵。
我們首先知道資訊熵是考慮該隨機變數的所有可能取值，即所有可能發生事件所帶來的資訊量的期望。公式如下：
我們的條件熵的定義是：定義為x給定條件下，y的條件概率分布的熵對x的數學期望
這個還是比較抽象，下面我們解釋一下：
設有隨機變數（x,y），其聯合概率分布為
條件熵h（y|x）表示在已知隨機變數x的條件下隨機變數y的不確定性。隨機變數x給定的條件下隨機變數y的條件熵h(y|x)
下面推導一下條件熵的公式：
注意，這個條件熵，是指在給定某個數（某個變數為某個值）的情況下，另乙個變數的熵是多少，變數的不確定性是多少？
因為條件熵中x也是乙個變數，意思是在乙個變數x的條件下（變數x的每個值都會取），另乙個變數y熵對x的期望。
這是最容易錯的！
下面通過例子來解釋一下：
假如我們有上面資料：
設隨機變數y=
我們可以統計出，嫁的個數為6/12 = 1/2
不嫁的個數為6/12 = 1/2
那麼y的熵，根據熵的公式來算，可以得到h（y） = -1/2log1/2 -1/2log1/2
為了引出條件熵，我們現在還有乙個變數x，代表長相是帥還是不帥，當長相是不帥的時候，統計如下紅色所示：
可以得出，當已知不帥的條件下，滿足條件的只有4個資料了，這四個資料中，不嫁的個數為1個，佔1/4
嫁的個數為3個，佔3/4
那麼此時的h（y|x = 不帥） = -1/4log1/4-3/4log3/4
p(x = 不帥) = 4/12 = 1/3
同理我們可以得到：
當已知帥的條件下，滿足條件的有8個資料了，這八個資料中，不嫁的個數為5個，佔5/8
嫁的個數為3個，佔3/8
那麼此時的h（y|x = 帥） = -5/8log5/8-3/8log3/8
p(x = 帥) = 8/12 = 2/3
有了上面的鋪墊之後，我們終於可以計算我們的條件熵了，我們現在需要求：
h（y|x = 長相）
也就是說，我們想要求出當已知長相的條件下的條件熵。
根據公式我們可以知道，長相可以取帥與不帥倆種
條件熵是另乙個變數y熵對x（條件）的期望。
公式為：
h（y|x=長相） = p(x =帥)*h（y|x=帥）+p(x =不帥)*h（y|x=不帥）
然後將上面已經求得的答案帶入即可求出條件熵！
這裡比較容易錯誤就是忽略了x也是可以取多個值，然後對其求期望！！
**：通俗理解條件熵
詳解機器學習中的熵 聯合熵 條件熵 相對熵和交叉熵
4 相對熵 relative entropy 也稱kl散度 kullback leibler divergence 5 交叉熵 cross entropy 但是真實分布不可知，假設訓練資料是從真實資料中獨立同分布取樣的，p train p real 因此，我們希望學到的模型分布至少和訓練資料的分布一...
機器學習 熵
1.為何總結 這週三開組會，師兄所做報告的公式中涉及熵的概念。老闆一句話從直覺意義上解釋熵 離散分布中，能量僅僅集中在少數點上，熵就低。2.熵的物理意義 1 化學及熱力學 當總體的熵增加，其做功能力也下降，熵的量度正是能量退化的指標。熵亦被用於計算乙個系統中的失序現象，也就是計算該系統混亂的程度。2...
什麼是機器學習
機器學習 machine learning 是研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。它是人工智慧的核心，是使計算機具有智慧型的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納 綜合而不是演譯。學習能力是智慧型行為的乙個非常重...