熵 熵增定律( 三 )


这正是熵所做的:H(1/6,1/6, 1/6,1/6 ,  1/6,1/6)> H(0.5 ,  0.5)
一般来说,L(k)为具有K个结果的均匀分布的熵,我们能够得到:
对于m>n,有
性质6:事件拥有非负的不确定性你知道什么是负的不确定性吗?反正我也不知道 。
对于一个用户友好的不确定性度量来说,无论输入是什么,应该总会返回一个非负的结果 。
熵的公式同样满足这个性质,我们来看一下公式:
概率是定义在0-1的范围内的,因此是非负的 。所以概率的对数是负的 。概率乘概率的对数不会改变符号 。因此求和之后应该是负的 , 最终负负得正 。所以对于所有的输入,熵都是非负的 。
性质7:有确定结果的事件具有0不确定性假设你拥有一个魔法硬币,无论你怎么抛 , 硬币总是正面朝上 。
你会怎么量化这个魔法硬币的不确定性,或者其他情况下有确定结果的事件的不确定性?这中情况下就没有不确定性,所以结果也很自然,不确定性为0 。
熵的定义也满足这个性质 。
假设结果i一定会发生,即p_i=1, 所以H(X)为:
即,确定事件的熵为0 。
性质8:调转参数顺序没有影响这是另一个显而易见的理想性质 。考虑两种情况 , 第一个,抛硬币正面朝上的概率和背面朝上的概率分别为80%和20% 。第二个情况里概率正好相反:正面朝上和背面朝上的概率分别为20%和80% 。
两种抛硬币试验都有相同的熵 , 即H(0.8, 0.2) = H(0.2, 0.8) 。
更通用的形式,对于个结果的试验,我们有:
实际上这对于有任何数量结果的试验都适用 。我们可以以任意的方式调整参数的顺序,而所有的结果都是一样的 。
总结回顾一下,香农熵是一种不确定性的度量 。
它被广泛的适用 , 因为它满足了我们想要的一些标准(同时也是因为我们生活中充满了不确定性) 。唯一性定理告诉我们,只有一个函数族具有我们想要的四种基本性质 。香农熵是这个函数族的一个很自然的选择 。
熵的性质有(1)对于均匀分布有最大的熵;(2)对于独立事件熵是可加的;(3)具有非零概率的结果数量增加,熵也会增加;(4)连续性;(5)非负性;(6)确定事件的熵为0;(7)参数排列不变性 。
【熵 熵增定律】via TowardsDatascience,雷锋网 AI 科技评论编译

推荐阅读