参考https://blog.csdn.net/haolexiao/article/details/70142571
信息量
信息量表示一个信息所需要的编码长度。而一个信息的编码长度跟其出现的概率呈负相关，因为一个短编码的代价也是巨大的，因为会放弃所有以其为前缀的编码方式，比如字母”a”用单一个0作为编码的话，那么为了避免歧义，就不能有其他任何0开头的编码词了。所以一个词出现的越频繁，则其编码方式也就越短，同时付出的代价也大。
I = log(\frac{1}{p(x)}) = -log(p(x))
信息熵
信息熵代表一个分布的信息量，即信息量的均值，或者编码的平均长度
H(p) = \sum_x p(x)\log\left(\frac{1}{p(x)}\right) = -\sum_x p(x)\log\left(p(x)\right)
交叉熵 cross-entropy
交叉熵本质上可以看成，用一个猜测的分布的编码方式去编码其真实的分布，得到的平均编码长度或者信息量
H_p(q) = \sum_x p(x)\log\left(\frac{1}{q(x)}\right)
其中p(x)为真实分布，q(x)为猜测的分布
交叉熵 cross-entropy在机器学习领域的作用
交叉熵cross-entropy在机器学习领域中经常作为最后的损失函数使用
为什么要用cross-entropy呢，他本质上相当于衡量两个编码方式之间的差值，因为只有当猜测的分布越接近于真实分布，则其值越小（真实分布最小）。
比如根据自己模型得到的A的概率是80%，得到B的概率是20%，真实的分布是应该得到A，则意味着得到A的概率是100%，所以
L = -\sum_iy_ilog(p(x_i))+(1-y_i)log(1-p(x_i))
在LR中用cross-entropy比平方误差方法好在：
- 在LR中，如果用平方损失函数，则损失函数是一个非凸的，而用cross-entropy的话就是一个凸函数
- 用cross-entropy做LR求导的话，得到的导数公式如下
\frac{\partial L}{\partial \theta_j} = -\sum_i(y_i-p(x_i))x_{ij}
而用平方损失函数，其求导结果为
\frac{\partial L}{\partial \theta_j} = -\sum_i(y_i-p(x_i))p'(x_i)
平方损失函数的导数中会出现p^{'}(x_i)，而sigmoid函数的导数会出现梯度消失的问题，因此用cross-entropy作为损失函数
KL散度
KL散度/KL距离是衡量两个分布的距离，KL距离一般用D(p||q)或者D_p(q)称之为p对q的相对熵
D_p(q) = H_p(q) - H(p) = \sum_x p(x)\log\left(\frac{p(x)}{q(x)}\right)
KL散度与cross-entropy的关系
D_p(q) = H_p(q) - H(p)
非负性证明
参考https://blog.csdn.net/yujianmin1990/article/details/71213601
直接证明D_p(q)\geq0较为麻烦，可以证明-D_p(q)\leq0。
借助\ln x \leq x-1，其中x>0，当且仅当x=1时取得最值
联合信息熵和条件信息熵
下面几条我们要说的是联合分布中（即同一个分布中）两个变量相互影响的关系，上面说的KL和cross-entropy是两个不同分布之间的距离度量
联合信息熵：
H(X,Y) = \sum_{x,y} p(x,y) \log\left(\frac{1}{p(x,y)}\right)
条件信息熵：
H(X|Y) = \sum_y p(y) \sum_x p(x|y) \log\left(\frac{1}{p(x|y)}\right)= \sum_{x,y} p(x,y) \log\left(\frac{1}{p(x|y)}\right)
关系为：
H(Y|X) = H(X,Y) - H(X)
互信息
互信息就是一个联合分布中的两个信息的纠缠程度/或者叫相互影响那部分的信息量
I(X,Y)= \sum_{x \in X} \sum_{y \in Y} p(x, y) log_2 \frac{1}{\frac{p(x)p(y)}{p(x,y)}}
I(X,Y) = H(X) + H(Y) - H(X,Y)
I(X,Y) = H(Y) - H(Y|X)
决策树中的信息增益就是互信息，决策树是采用的上面第二种计算方法，即把分类的不同结果看成不同随机事件Y，然后把当前选择的特征看成X，则信息增益就是当前Y的信息熵减去已知X情况下的信息熵。
关系图如下：
