信息熵与Gini不纯度

1、信息熵

信息论中的信息量和信息熵。

信息量：

信息量是对信息的度量，就跟温度的度量是摄氏度一样，信息的大小跟随机事件的概率有关。

例如： 在哈尔滨的冬天，一条消息说：哈尔滨明天温度30摄氏度，这个事件肯定会引起轰动，因为它发生的概率很小（信息量大）。日过是夏天，“明天温度30摄氏度”可能没有人觉得是一个新闻，因为夏天温度30摄氏度太正常了，概率太大了（信息点太小了）

从这个例子中可以看出 一个随机事件的信息量的大小与其发生概率是成反相关的。

香农定义的一个事件的信息信息量为：I(X) = log2(1/p) 其中p为事件X发生的概率

信息熵：Entropy

一个随机变量 X 可以代表n个随机事件，对应的随机变为X=xi,

那么熵的定义就是 X的加权信息量。

H(x) = p(x1)I(x1)+…+p(xn)I(x1) 

        = p(x1)log2(1/p(x1)) +…..+p(xn)log2(1/p(xn))

        = -p(x1)log2(p(x1)) - ……..-p(xn)log2(p(xn))

其中p(xi)代表xi发生的概率

例如有32个足球队比赛，每一个队的实力相当，那么每一个对胜出的概率都是1/32

那么 要猜对哪个足球队胜出 非常困难，

这个时候的熵H(x) = 32 * (1/32)log(1/(1/32)) = 5

熵也可以作为一个系统的混乱程度的标准

试想如果32个队中有一个是ac米兰，另外31个对是北邮计算机1班队，2班，…31班

那么几乎只有一个可能 ac米兰胜利的概率是100%，其他的都是0%，这个系统的熵

就是 1*log(1/1) = 0. 这个系统其实是有序的，熵很小，而前面熵为5 系统处于无序状态。

2、基尼不纯度

      基尼不纯度的大概意思是 一个随机事件变成它的对立事件的概率

      例如 一个随机事件X ，P(X=0) = 0.5 ,P(X=1)=0.5

      那么基尼不纯度就为   P(X=0)*(1 - P(X=0)) +   P(X=1)*(1 - P(X=1))  = 0.5

       一个随机事件Y ，P(Y=0) = 0.1 ,P(Y=1)=0.9

      那么基尼不纯度就为P(Y=0)*(1 - P(Y=0)) +   P(Y=1)*(1 - P(Y=1))  = 0.18

     很明显 X比Y更混乱，因为两个都为0.5 很难判断哪个发生。而Y就确定得多，**Y=1**发生的概率很 大 , 而基尼不纯度也就越小。

    所以基尼不纯度也可以作为 衡量系统混乱程度的 标准