wordpress定时任务原理seo导航站

互信息: 揭示变量间"心有灵犀"程度的度量器

一、核心结论：互信息是随机变量间"共享秘密"的精确量化

“就像两个朋友之间的默契程度，互信息测量两个变量间共享了多少信息”

二、公式推演与类比解释

1. 核心公式对比表

公式名称	数学表达式	通俗解释	类比场景
互信息基本定义	$I(X;Y)={\sum }_{x,y}p(x,y)\log \frac{p(x,y)}{p(x)p(y)}$	变量间的共享信息量	两人共同了解的秘密数量
基于熵的互信息	$I(X;Y)=H(X)-H(X|Y)$	观察Y后X不确定性的减少量	了解天气预报后减少的穿衣犹豫度
标准化互信息	$NMI(X,Y)=\frac{I(X;Y)}{\sqrt{H(X)H(Y)}}$	相对共享信息比例	朋友间共享秘密占各自知识的比例
点互信息	$PMI(x,y)=\log \frac{p(x,y)}{p(x)p(y)}$	特定事件对的关联强度	特定词汇搭配的罕见程度

2. 核心公式详解

公式1：互信息基本定义

$$I(X;Y)=\sum _{x\in X}\sum _{y\in Y}p(x,y)\log \left(\frac{p(x,y)}{p(x)p(y)}\right)$$

参数	数学符号	类比解释	取值范围
联合概率	$p(x,y)$	两个事件同时发生的概率	[0,1]
边缘概率	$p(x),p(y)$	单个事件发生的独立概率	[0,1]
对数函数	$\log$	信息量的度量单位	任意实数

案例应用：在特征选择中，高互信息表示特征与目标变量强相关，更有预测价值

公式2：基于熵的互信息

$$I(X;Y)=H(X)-H(X|Y)=H(Y)-H(Y|X)=H(X)+H(Y)-H(X,Y)$$

项	物理意义	类比解释
$H(X)$	X的熵（不确定性）	未知天气时的穿衣困难度
$H(X|Y)$	已知Y后X的条件熵	看过天气预报后的穿衣困难度
$H(X,Y)$	X和Y的联合熵	同时预测天气和交通状况的困难度

类比说明：互信息像是解锁的钥匙，$H(X)$是锁的复杂度，$H(X|Y)$