学习Datawhale对《李宏毅机器学习》决策树章节补充的内容：Additional References(熵的理解)
学习目标：
* 信息量计算，原理
* 信息熵
* 证明0⩽H(p)⩽logn
* 联合概率，边缘概率
* 联合熵，条件熵，条件熵公式推导
* 互信息，互信息公式推导
* 相对熵，交叉熵
* 回顾LR中的交叉熵
* 计算给定数据集中的香农熵
1、什么是熵（entropy）
熵是热力学中的名词，是指自然世界中事物的混乱程度，在自然条件下，都是朝着熵增加的方向发展。1948年，克劳德·爱尔伍德·香农将热力学中的熵引入信息论，所以也被称为香农熵 (Shannon entropy)，信息熵 (information entropy)。
假设一个事件有n个可能的类别，每个类别发生的概率为p（xi），那么
1）如果每个类别发生的可能性相同且类别之间相互独立，即p(x1)=p(x2)=...=p(xn)，那么这个事件的信息量为：
2）如果每个类别发生的可能性不相同时，那么这个事件的信息量即为信息熵：
2、证明0⩽H(p)⩽logn
即证明，当事件中每个可能的类别发生的概率相等时，这个事件的信息熵最大。
首先，从公式上就可以看出，H(X)>0，原因是0<p(x)<1，logp(x)<0，所以-p(x)*log(p(x))>0；
然后证明H(p)<logn：
使用拉格朗日算子：
分别对p(1)，p(2)，...，p(n)以及λ求偏导，并令偏导等于0，可以得到：
...
以上式子联立求得：
p(1) = p(2) = ... = p(n)
p(1) + p(2) +...+ p(n) = 1
进一步得到： p(1) = p(2) = ... = p(n) = 1/n
即当 p(1) = p(2) = ... = p(n) = 1/n时，H(p)最大，最大值为：
H(p)max = -(1/n*log(1/n)+1/n*log(1/n)*...*1/nlog(1/n))=-log(1/n)=logn
完成证明。
3、联合概率、边缘概率
参考链接：https://blog.csdn.net/tick_tock97/article/details/79885868
联合概率：联合概率指的是包含多个条件且所有条件同时成立的概率，记作P(X=a,Y=b)或P(a,b)
边缘概率：边缘概率是与联合概率对应的，P(X=a)或P(Y=b)，这类仅与单个随机变量有关的概率称为边缘概率
4、联合熵，条件熵，条件熵公式推导
联合熵：对服从联合分布为P(x,y)的一对离散随机变量(X,Y)，其联合熵H(X,Y)可表示为：
按照熵的定义，只与可能类别发生的概率有关，联合熵所对应的概率为联合概率，即同时发生的概率。
条件熵：设有随机变量(X,Y)，其联合概率分布为；
条件熵H(Y|X)表示在已知随机变量X的条件下随机变量Y的不确定性。随机变量X给定的条件下随机变量Y的条件熵(conditional entropy)H(Y|X)，定义为X给定条件下Y的条件概率分布的熵对X的数学期望“相关的”信息能够消除不确定性：
这里：。
条件熵公式推导：
5、互信息，互信息公式推导
互信息：两个随机变量X，Y的互信息，定义为X，Y的联合分布和独立分布乘积的相对熵；
度量两个随机变量的“相关性”；
互信息就是随机事件X的不确定性或者说熵H(X)，以及在知道随机事件Y条件下的不确定性(条件熵)的差异。
互信息公式推导：
后面补上。
6、相对熵，交叉熵
相对熵：相对熵又称交叉熵，KL散度等；
如果我们对于同一个随机变量 x 有两个单独的概率分布 P(x) 和 Q(x)，我们可以使用 KL 散度（Kullback-Leibler (KL) divergence）来衡量这两个分布的差异
P(X)，Q(X)的比值取对数之后，在P(X)的概率分布上求期望
交叉熵：交叉熵在上一个机器学习课程中有学到，是计算Logistic Regression的Loss Function时用到了交叉熵。
等式的后半部分即为交叉熵，即：
7、回顾LR中的交叉熵
上式中的是真实数据，
是预测出来的数据分布(模型)，LR损失函数最小，即使得实际数据和预测结果的交叉熵越小越好，即预测的数据分布模型和真实的数据模型越接近，损失函数越小。
8、计算给定数据的信息熵
