自信息（self-information）：
I(x)= 
= – log(p(x)) （1）
式中的log表示自然对数， 如果用以2为底的对数，单位是比特（bit）。
上式是什么意思？p(x)是指x发生的概率，I(x)代表x所包含的信息量。考虑这么一个问题，马云破产以及马云获得全国首富这两个事件，那个包含的信息量大？当然是马云破产的信息量更大，因为它发生的概率非常小。这也就是（1）式是用概率的倒数的原因。
熵：
一个离散型变量 的熵 定义为：
H(X)也就是平均信息量，或者说对X不确定度的度量（事件发生的概率越小，它的不确定度就越高）。
条件熵：
具体的解释请参考：http://blog.csdn.net/xwd/article/details/
通俗来讲就是，知道X情况下，Y的信息量。
互信息、条件熵与联合熵的区别与联系
条件熵就是指，知道X后Y还剩多少信息量（H(Y|X)）。或者知道Y后，X还剩多少信息量（H(X|Y)）。
那么互信息就是知道X，给Y的信息量带来多少损失（或者知道Y，给X的信息量带来多少损失）。
举个例子，假设H(X)用一块糖来表示，Y代表一杯水，H(X|Y)也就是将这杯水倒在糖上，H(X)还剩多少，那么溶于水的那部分糖就是Y给H(X)带来的损失，即就是互信息。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/213046.html原文链接：https://javaforall.net
