Kreuzentropie – Wikipedia
In der Informationstheorie ist die Kreuzentropie zwischen zwei Wahrscheinlichkeitsverteilungen
und
Über denselben zugrunde liegenden Satz von Ereignissen wird die durchschnittliche Anzahl von Bits gemessen, die zum Identifizieren eines aus dem Satz gezogenen Ereignisses erforderlich sind, wenn ein für den Satz verwendetes Codierungsschema für eine geschätzte Wahrscheinlichkeitsverteilung optimiert ist
eher als die wahre Verteilung
.
Definition[edit]
Die Kreuzentropie der Verteilung
relativ zu einer Verteilung
über einen gegebenen Satz ist wie folgt definiert:
- ,
wo
ist der Erwartungswertoperator in Bezug auf die Verteilung
. Die Definition kann unter Verwendung der Kullback-Leibler-Divergenz formuliert werden
von
von
(auch bekannt als die relative Entropie von
in Gedenken an
).
- ,
wo
ist die Entropie von
.
Für diskrete Wahrscheinlichkeitsverteilungen
und
mit der gleichen Unterstützung
das heisst
|
((Gl.1) |
Die Situation für kontinuierliche Verteilungen ist analog. Das müssen wir annehmen
und
sind in Bezug auf ein Referenzmaß absolut kontinuierlich
(meistens
ist ein Lebesgue-Maß für eine Borel-σ-Algebra). Lassen
und
Wahrscheinlichkeitsdichtefunktionen von sein
und
in Gedenken an
. Dann
und deshalb
|
((Gl.2) |
NB: Die Notation
wird auch für ein anderes Konzept verwendet, die gemeinsame Entropie von
und
.
Motivation[edit]
In der Informationstheorie legt das Kraft-McMillan-Theorem fest, dass jedes direkt decodierbare Codierungsschema zum Codieren einer Nachricht zur Identifizierung eines Werts
aus einer Reihe von Möglichkeiten
kann als eine implizite Wahrscheinlichkeitsverteilung angesehen werden
Über
, wo
ist die Länge des Codes für
in Bits. Daher kann die Kreuzentropie als die erwartete Nachrichtenlänge pro Datum interpretiert werden, wenn eine falsche Verteilung vorliegt
wird angenommen, während die Daten tatsächlich einer Verteilung folgen
. Deshalb wird die Erwartung über die wahre Wahrscheinlichkeitsverteilung übernommen
und nicht
. In der Tat die erwartete Nachrichtenlänge unter der wahren Verteilung
ist,
Einschätzung[edit]
Es gibt viele Situationen, in denen die Kreuzentropie gemessen werden muss, aber die Verteilung von
ist unbekannt. Ein Beispiel ist die Sprachmodellierung, bei der ein Modell basierend auf einem Trainingssatz erstellt wird
und dann wird seine Kreuzentropie an einem Testsatz gemessen, um zu bewerten, wie genau das Modell die Testdaten vorhersagt. In diesem Beispiel
ist die wahre Verteilung von Wörtern in jedem Korpus, und
ist die vom Modell vorhergesagte Verteilung von Wörtern. Da die wahre Verteilung unbekannt ist, kann die Kreuzentropie nicht direkt berechnet werden. In diesen Fällen wird eine Schätzung der Kreuzentropie unter Verwendung der folgenden Formel berechnet:
wo
ist die Größe des Testsatzes und
ist die Wahrscheinlichkeit eines Ereignisses
geschätzt aus dem Trainingssatz. Die Summe wird über berechnet
. Dies ist eine Monte-Carlo-Schätzung der tatsächlichen Kreuzentropie, bei der der Testsatz als Proben aus behandelt wird
[citation needed].
Beziehung zur Log-Wahrscheinlichkeit[edit]
Bei Klassifizierungsproblemen wollen wir die Wahrscheinlichkeit unterschiedlicher Ergebnisse abschätzen. Wenn die geschätzte Wahrscheinlichkeit des Ergebnisses
ist
, während die Häufigkeit (empirische Wahrscheinlichkeit) des Ergebnisses
im Trainingsset ist
und es gibt N bedingt unabhängige Stichproben im Trainingssatz, dann ist die Wahrscheinlichkeit des Trainingssatzes
also die log-Wahrscheinlichkeit geteilt durch
ist
Das Maximieren der Wahrscheinlichkeit entspricht dem Minimieren der Kreuzentropie.
Kreuzentropieminimierung[edit]
Die Kreuzentropieminimierung wird häufig bei der Optimierung und der Wahrscheinlichkeitsschätzung für seltene Ereignisse verwendet. Beim Vergleich einer Verteilung
gegen eine feste Referenzverteilung
Kreuzentropie und KL-Divergenz sind bis zu einer additiven Konstante identisch (seit
ist fest): beide nehmen ihre Minimalwerte an, wenn
, welches ist
für KL-Divergenz und
für Kreuzentropie.[1] In der technischen Literatur wird das Prinzip der Minimierung der KL-Divergenz (Kullbacks “Prinzip der minimalen Diskriminierungsinformation”) häufig als das bezeichnet Prinzip der minimalen Kreuzentropie (MCE) oder Minxent.
Wie im Artikel beschrieben Kullback-Leibler-Divergenz, manchmal die Verteilung
ist die feste vorherige Referenzverteilung und die Verteilung
ist optimiert, um so nah wie möglich zu sein
möglichst vorbehaltlich einiger Einschränkungen. In diesem Fall sind die beiden Minimierungen nicht Äquivalent. Dies hat zu einigen Unklarheiten in der Literatur geführt, wobei einige Autoren versuchten, die Inkonsistenz durch Neudefinition der Kreuzentropie zu lösen
, eher, als
.
Entropieübergreifende Verlustfunktion und logistische Regression[edit]
Cross-Entropy kann verwendet werden, um eine Verlustfunktion beim maschinellen Lernen und Optimieren zu definieren. Die wahre Wahrscheinlichkeit
ist das wahre Etikett und die gegebene Verteilung
ist der vorhergesagte Wert des aktuellen Modells.
Betrachten Sie insbesondere die logistische Regression, mit der (unter anderem) Beobachtungen in zwei mögliche Klassen eingeteilt werden können (häufig einfach gekennzeichnet)
und
). Die Ausgabe des Modells für eine bestimmte Beobachtung bei einem Vektor von Eingabemerkmalen
kann als Wahrscheinlichkeit interpretiert werden, die als Grundlage für die Klassifizierung der Beobachtung dient. Die Wahrscheinlichkeit wird mithilfe der Logistikfunktion modelliert
wo
ist eine Funktion des Eingabevektors
, üblicherweise nur eine lineare Funktion. Die Wahrscheinlichkeit der Ausgabe
ist gegeben durch
wo der Vektor der Gewichte
wird durch einen geeigneten Algorithmus wie den Gradientenabstieg optimiert. Ebenso die komplementäre Wahrscheinlichkeit, die Ausgabe zu finden
ist einfach gegeben durch
Nachdem wir unsere Notation eingerichtet haben,
und
können wir Kreuzentropie verwenden, um ein Maß für die Unähnlichkeit zwischen zu erhalten
und
::
Die logistische Regression optimiert normalerweise den logarithmischen Verlust für alle Beobachtungen, auf die er trainiert wird. Dies entspricht der Optimierung der durchschnittlichen Kreuzentropie in der Stichprobe. Nehmen wir zum Beispiel an, wir haben
Proben mit jeder Probe indiziert durch
. Das durchschnittlich der Verlustfunktion ist dann gegeben durch:
wo
mit
die logistische Funktion wie zuvor.
Der logistische Verlust wird manchmal als Kreuzentropieverlust bezeichnet. Dies wird auch als Protokollverlust bezeichnet (in diesem Fall wird die binäre Bezeichnung häufig mit {-1, + 1} bezeichnet).[2]
Anmerkung: Der Gradient des Kreuzentropieverlusts für die logistische Regression ist der gleiche wie der Gradient des quadratischen Fehlerverlusts für die lineare Regression. Das heißt, definieren
Dann haben wir das Ergebnis
Der Beweis ist wie folgt. Für jeden
, wir haben
In ähnlicher Weise erhalten wir schließlich das gewünschte Ergebnis.
Siehe auch[edit]
Verweise[edit]
- ^ Ian Goodfellow, Yoshua Bengio und Aaron Courville (2016). Tiefes Lernen. MIT Press. Online
- ^ Murphy, Kevin (2012). Maschinelles Lernen: Eine probabilistische Perspektive. MIT. ISBN 978-0262018029.
Recent Comments