算法面试准备（一）之----交叉熵与logistic回归推导

牛客上总结很好，但是有一些小错误与重复，自己再总结一下好了，顺便复习。

交叉熵公式

两个概率分布和的交叉熵是指，当基于一个“非自然”（相对于“真实”分布而言）的概率分布进行编码时，在事件集合中唯一标识一个事件所需要的平均比特数（bit）。

$ P $ 和 $ Q $ 的KL散度 ，又叫他们之间的相对熵，注意相对熵和交叉熵是不一样的。

可知，

[D_{{{mathrm {KL}}}}(P|Q)=sum _{i}P(i)ln { P(i)}+P(i)ln {frac {1}{Q(i)}}.! ]

因此 交叉熵和KL散度（又称相对熵）有如下 关系，

互信息的定义

一般地，两个离散随机变量 X 和 Y 的互信息可以定义为：

其中 p(x,y) 是 X 和 Y 的联合概率分布函数，而 和 分别是 X 和 Y 的边缘概率分布函数。

互信息与KL散度的关系

由KL散度定义可知，互信息与KL散度有如下关系，

记 p(x|y) = p(x, y) / p(y) ， 事实上还有一个关系，

互信息与各种熵的关系大汇总。。。

其中 和 是边缘熵，H(X|Y) 和 H(Y|X) 是条件熵，而 H(X,Y) 是 X 和 Y 的联合熵。

下面是其中一个的证明，其它应该也不难证明，如果概念搞清楚的话，

logistic回归推导

参考我之前cs229学习笔记。

logistic回归函数与概率模型以及更新公式

人生充满了巧合。巧就巧在，在我的第一家面试，在上海豪生大酒店三楼，甜橙金融的算法面试。面试官问我的两个问题就是互信息与KL散度的关系以及逻辑斯蒂克回归的一些问题。当时一紧张就回答不太好。公式都快忘了，没有任何准备。

现在正在等面试结果。是2019年10月17号上午10点面的，等得我好慌。

不慌，打不了春招，人生说不定也有惊喜，即使是惊吓，也练练我的承受力。各项事务汇集在一点，这几天又要抽送外审的论文。