原文地址
目录
1. 信息量
2. 信息熵
3. 相对熵(KL散度/KL divergence)
4. 交叉熵
5. 几个熵之间的关系
6. JS散度
7. Wasserstein距离
8. 总结
1. 信息量
事件发生的概率越小，信息量越大。
假设X是一个离散型随机变量，取值集合为
则定义事件的信息量为：
2. 信息熵
信息量的期望就是熵，假设事件X有n种可能，发生的概率为,那么该事件的熵H(X)为：
如果发生的事件只有两种可能性，那么熵的计算转化为下列式子：
3. 相对熵(KL散度/KL divergence)
相对熵又叫KL散度，也叫做信息增益，如果我们对于同一个随机变量X，有两个
