交叉熵和对数损失函数之间的关系

zoukankan html css js c++ java

交叉熵和对数损失函数之间的关系

交叉熵

熵/信息熵

假设一个发送者想传输一个随机变量的值给接收者。这个过程中，他们传输的平均信息量为：

$large H[x]=-sum_xp(x){log}_{2}p(x)$

$large H[x]$ 叫随机变量 $large x$ 的熵，其中 $large lim_{p ightarrow 0}p{log}_2p=0$

把熵扩展到连续变量 $large x$ 的概率分布 $large p(x)$ ,则熵变为

$large H[x]=-int p(x)lnp(x)dx$

被称为微分熵。

在离散分布下，最大熵对应于变量的所有可能状态的均匀分布。

最大化微分熵的分布是高斯分布

$large p(x)=frac{1}{(2pisigma ^2)^{1/2}}exp{-frac{(x-u)^2}{2sigma ^2}}$

相对熵/KL散度

考虑某个未知分布 $large p(x)$ ，假设我们使用一个近似分布 $large q(x)$ 对其进行建模。如果我们使用 $large q(x)$ 来建立一个编码体系，用来把 $large x$ 传递给接收者，由于我们使用了 $large q(x)$ 而不是真实分布 $large p(x)$ ，因此在具体化 $large x$ 时，我们需要一些附加信息。我们需要的附加信息量为：

$large KL(p||q)=-int p(x)lnq(x)dx-(-int p(x)lnp(x)dx)$

$large =-int p(x)ln{frac{q(x)}{p(x)}}dx$

这被称为分布 $large p(x)$ 与分布 $large q(x)$ 之间的相对熵，或者KL散度。KL散度大于等于零，当两个分布一致时等于零。

交叉熵

交叉熵本质上可以看成，用一个猜测的分布的编码去编码真实的分布，得到的信息量：

$large CEH(p,q)=-sum_{xinchi }p(x)lnq(x)=H(p)+D_{KL}(p||q)$

$large CEH(p,q)$

$large =-sum_{xinchi }p(x)lnq(x)$

$large =-[P_p(x=1)lnP_q(x=1)+P_p(x=0)P_q(x=0)]$

$large =-[plnq+(1-p)ln(1-q)]$

$large =-[ylnh_ heta(x)+(1-y)ln(1-h_ heta(x))]$

对所有训练样本取均值得到：

$large -frac{1}{m}sum_{i=1}^{m}y_ilog(h_ heta(x_i))+(1-y_i)log(1-h_{ heta(x_i)})$

对数损失函数

对数损失函数的表达式为：

$large -frac{1}{m}sum_{i=1}^{m}y_ilog(h_ heta(x_i))+(1-y_i)log(1-h_{ heta(x_i)})$

参见https://blog.csdn.net/qq_38625259/article/details/88362765

交叉熵和对数损失函数之间的关系

交叉熵中未知真实分布 $large p(x)$ 相当于对数损失中的真实标记 $large y$ ，寻找的近似分布 $large q(x)$ 相当于我们的预测值。如果把所有样本取均值就把交叉熵转化成了对数损失函数。

本文转载自：https://blog.csdn.net/qq_38625259/article/details/88371462?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control

查看全文

相关阅读:
nginx配置url伪静态
 PHP爬虫之queryList
PHP 判断给定两个时间是否在同一周，月，年
 服务器nginx配置显示文件而不是下载
 PHP yield占用内存测试
 PHP 函数运行的内存
 io系列之字节流
 io系列之字符流
 对于Arrays的deep相关的方法。
常用工具类（System,Runtime,Date,Calendar,Math）