我們知道邏輯回歸的損失函數(shù)cost=-ylogo-(1-y)log(1-o)，其中o為模型輸出，y為樣本真實(shí)分布，為什么損失函數(shù)可以是這個(gè)形式？機(jī)器學(xué)習(xí)的終極目標(biāo)是什么？機(jī)器學(xué)習(xí)中測(cè)試集起的作用是什么？

首先我們需要知道一個(gè)概念——信息量，它指的是一個(gè)事件發(fā)生所帶來的信息。日常生活中，信息的載體是消息，比如“一個(gè)星期有7天”這條消息，它所帶來的信息量我們可以認(rèn)為是0，為什么呢?用大白話解釋就是說了等于沒說，因?yàn)椤耙粋€(gè)星期有7天”這個(gè)事件它是確定事件。又比如說“老板希望這個(gè)月32號(hào)發(fā)工資”，從科學(xué)的角度來講，這個(gè)消息的信息量為無窮大，因?yàn)檫@是不可能事件。而另外一條消息“埃航一架飛機(jī)墜毀了”，這個(gè)消息帶來的信息量就非常大，因?yàn)轱w機(jī)發(fā)生事故的概率很小，而墜毀的概率就更小了，因此這個(gè)事件的不確定性非常大，所以這條消息帶來的信息量很大。

題圖：保羅·高更《我們從何處來？我們是誰？我們向何處去？》

總結(jié)一下，信息量反映一個(gè)事件不確定性的程度，它在數(shù)學(xué)上有一個(gè)定義，就是I=-log(p)，-log是遞減函數(shù)，p越大，那么I就越小。也就是說，一個(gè)事件的確定性程度越高，它發(fā)生所帶來的信息量就越小。

不過，當(dāng)事件還沒有發(fā)生的時(shí)候，就不是直接去求信息量了，而應(yīng)該是求信息量的期望值，所以這個(gè)時(shí)候，我們要求的是信息熵，需要在信息量前面乘以該事件發(fā)生的概率，也就是信息熵H(P)=-Plog(P)，所以，信息熵反映的是一個(gè)事件還沒有發(fā)生之前，它發(fā)生時(shí)候帶來信息量的期望值。在以2為底求對(duì)數(shù)的時(shí)候，信息熵的單位可以記為bit。

也可以理解為，根據(jù)真實(shí)分布，我們能夠找到一個(gè)最優(yōu)策略，該策略可以以最小的代價(jià)消除系統(tǒng)的不確定性，而這個(gè)代價(jià)的大小就是信息熵。

介紹為信息熵H(P)之后，我們?cè)賮砜唇徊骒兀徊骒爻霈F(xiàn)的背景是我們想知道分布Q是否可以代表分布P，放到機(jī)器學(xué)習(xí)中，假設(shè)測(cè)試集的分布可以認(rèn)為是P，這個(gè)是確定的，因?yàn)檎?fù)樣本都是我們提前標(biāo)定好的，標(biāo)定好那一刻之后，它的分布就被唯一確定了，而分布Q則是我們訓(xùn)練好的網(wǎng)絡(luò)。現(xiàn)在，我們想知道對(duì)于測(cè)試樣本的概率分布為P的情況下，訓(xùn)練好的網(wǎng)絡(luò)的分布Q帶給我們的不確定性期望值為多少？用公式描述就是用概率分布P去乘以訓(xùn)練好的網(wǎng)絡(luò)的信息量：

H(P,Q)=-Plog(Q)

如果H(P,Q)為0，說明我們訓(xùn)練好的網(wǎng)絡(luò)帶來的不確定性為0，也就是說我們標(biāo)定的數(shù)據(jù)為正，網(wǎng)絡(luò)輸出也為正，標(biāo)定的數(shù)據(jù)為負(fù)，網(wǎng)絡(luò)輸出也為負(fù)，沒有任何懸念可言，因此，使得交叉熵H(P,Q)=0不就是我們訓(xùn)練網(wǎng)絡(luò)的終極目標(biāo)嗎？

最后，我們還要看相對(duì)熵（又稱KL散度）的概念，在用分布Q去擬合分布P的時(shí)候，我們一定會(huì)多產(chǎn)生一些無關(guān)緊要的信息熵，那么這個(gè)多余的信息熵就是用交叉熵減去真實(shí)分布熵，用公式表示就是：

D(P||Q)=H(P,Q)-H(P)

一般情況下，在標(biāo)記員標(biāo)記好數(shù)據(jù)的那一刻，P的分布就已經(jīng)確定了，H(P)可以認(rèn)為是一個(gè)常數(shù)，所以優(yōu)化H(P,Q)實(shí)際上就等于優(yōu)化D(P||Q)，也就是說優(yōu)化交叉熵等同于優(yōu)化相對(duì)熵或優(yōu)化KL散度，因此我們經(jīng)?？吹浇徊骒?、相對(duì)熵或KL散度混淆使用，原因就在這里。

那么回到邏輯回歸中，樣本要么為正，要么為負(fù)，假設(shè)測(cè)試集真實(shí)標(biāo)簽為y，模型輸出為o，于是交叉熵為-ylog(o)-(1-y)log(1-o)，就得到了我們開頭說的損失函數(shù)的形式。損失函數(shù)值越小，那么用模型的輸出去逼近測(cè)試集真實(shí)的分布所消耗的額外信息熵就越小。需要注意的是，我們這里用測(cè)試集的分布來代表真實(shí)分布，因此測(cè)試集的選取是十分重要的。