摘要: KL散度

【对算法，数学，计算机感兴趣的同学，欢迎关注我哈，阅读更多原创文章】
我的网站：潮汐朝夕的生活实验室
我的公众号：算法题刷刷
我的知乎：潮汐朝夕
我的github：FennelDumplings
我的leetcode：FennelDumplings

---

KL散度(相对熵)

KL(Kullback-Leibler)散度是一种衡量分布间的相似性的指标，从信息论的角度看，KL散度是信息增益或相对熵。

注意这个指标不能用于距离度量，因为该指标不具有对称性，也即是 KL(P|Q) 与 KL(Q|P) 一般不相等。

KL 散度的计算公式，对于离散分布：

$$KL(P|Q) = \sum\limits_{i}P(i)log\frac{P(i)}{Q(i)}$$

对于连续分布：

$$KL(P|Q) = \int^{+\infty}_{-\infty}p(x)log\frac{p(x)}{q(x)}dx$$

代码

import numpy as np
import scipy.stats

# 离散型分布
x = [np.random.randint(1, 11) for i in range(10)]
px = x / np.sum(x)
y = [np.random.randint(1, 11) for i in range(10)]
py = y / np.sum(y)

• 用 scipy.stats.entropy

scipy.stats.entropy 可以处理非归一化情况，以下两种写法均可

KL = scipy.stats.entropy(x, y)
# KL = scipy.stats.entropy(px, py)

• 编程计算

KL = 0.0
for i in range(10):
    KL += px[i] * np.log(px[i] / py[i])

---