信息熵，不确定度的描述，熵增加，不确定度增加，熵减小，不确定度减小。 离散型随机变量的信息熵 考虑一个一维的离散的随机变量X（此处不考虑扩展到多维的情况），可以取离散的值,对应的概率分别为则离散型随机变量的信息熵为： 连续型随机变量的信息熵 考虑一个一维的连续型的随机变量X ...

最大熵模型是指在满足约束条件的模型集合中选取熵最大的模型，即不确定性最大的模型。 最大熵原理 最大熵思想：当你要猜一个概率分布时，如果你对这个分布一无所知，那就猜熵最大的均匀分布，如果你对这个分布知道一些情况，那么，就猜满足这些情况的熵最大的分布。 算法推导 按照最大熵原理,我们应该 ...

1. 前言 最大熵模型(maximum entropy model， MaxEnt)也是很典型的分类算法了，它和逻辑回归类似，都是属于对数线性分类模型。在损失函数优化的过程中，使用了和支持向量机类似的凸优化技术。而对熵的使用，让我们想起了决策树算法中的ID3和C4.5算法。理解了最大熵模型 ...

最大熵模型预备知识 信息量：一个事件发生的概率越小，信息量越大，所以信息量应该为概率的减函数，对于相互独立的两个事有p(xy)=p(x)p(y)，对于这两个事件信息量应满足h(xy)=h(x)+h(y)，那么信息量应为对数函数： 对于一个随机变量可以以不同的概率发生 ...

熵的概念：熵是描述一个系统的混乱程度的度量，最基础的定义是： $S={{k}_{b}}\ln \Omega $ kb是热力统计学里的波尔茨曼常量，单位 焦耳/K，为了简便，在信息学里直接取值1 J/K。 $S=\sum\limits_{k}{{{S}_{k}}}=-\sum\limits_ ...

1、似然函数 　　概率和似然的区别：概率是已知参数的条件下预测未知事情发生的概率，而似然性是已知事情发生的前提下估计模型的参数。我们通常都是将似然函数取最大值时的参数作为模型的参数。 　　那么为何要取似然函数取最大值的参数作为模型的参数？我们基于这样的假设：对于已经发生的事情，在同样 ...

一、概述 　　在日常生活中或者科学试验中，很多的事情发生都具有一定的随机性，即最终产生的结果是随机发生的，我们不清楚这些结果是否服从什么规律，我们所拥有的只有一些实验样本，在这种情况下，我们如何根据现拥有的东西对结果产生一个合理的推断呢？最大熵方法就是解决这种问题的一个方法。 最大熵原理 ...

Overview 统计建模方法是用来modeling随机过程行为的。在构造模型时，通常供我们使用的是随机过程的采样，也就是训练数据。这些样本所具有的知识（较少），事实上，不能完整地反映整个随 ...