通过几个简单的例子来解释和总结什么是交叉熵（ Cross Entropy） 以及机器学习分类问题中为什么使用交叉熵。第一个例子
假设随机从一个口袋里取硬币, 口袋里有一个蓝色的, 一个红色的, 一个绿色的, 一个橘色的。
取出一个硬币之后, 每次问一个问题, 然后做出判断, 目标是, 问最少的问题, 得到正确答案. 其中一个最好的设计问题的策略如下:
每一个硬币有1/4的概率被选中, 1/4(机率) * 2道题目 * 4颗球 = 2，平均需要问两道题目才能找出不同颜色的球，也就是说期望值为2，就是熵（entropy）。
第二个例子例子变了, 变成了袋子中1/8的硬币是绿色的, 1/8 的是橘色的, 1/4 是红色的, 1/2 是蓝色的, 这时最优的问题的策略如下:
1/2 的概率是蓝色, 只需要1个问题就可以知道是或者不是, 1/4 的概率是红色, 需要2个问题, 按照这个逻辑, 猜中硬币需要的问题的期望是 1/2×1 1/4×2 1/8×3 1/8×3=1.75
第三个例子假设袋子中全部是蓝色的硬币, 那么, 这时候, 需要 0 个问题就可以猜到硬币, 即 log21=0。 需要注意的是, 只有当知道袋子中全部是蓝色的硬币的时候需要的问题是 0 个.
总结上面的例子, 假设一种硬币出现的概率是 p, 那么, 猜中该硬币的所需要的问题数是 log2(1/Pi)。例如, p=1/4, log24=2。
在这个问题中, 问题个数的期望是
这个式子就是熵的表达式. 简单来说, 其意义就是在最优化策略下, 猜到颜色所需要的问题的个数。熵代表的是随机变量或整个系统的不确定性，熵越大，随机变量或系统的不确定性就越大。
现在已经了解了熵是什么, 那么, 下面解释交叉熵（cross entropy） 的含义.对于第二个例子, 如果仍然使用第一个例子中的策略, 如下图:
1/8 的概率, 硬币是橘色, 需要两个问题, 1/2 的概率是蓝色, 仍然需要两个问题, 也就是说，认为小球的分布为（1/4，1/4，1/4，1/4），这个分布就是非真实分布。平均来说, 需要的问题数是 1/8×2 1/8×2 1/4×2 1/2×2=2。 因此, 在例子二中使用例子一的策略是一个比较差的策略. 其中2是这个方案中的交叉熵。而最优方案的交叉熵是1.75。
给定一个策略, 交叉熵就是在该策略下猜中颜色所需要的问题的期望值。更普遍的说，交叉熵用来衡量在给定的真实分布下，使用非真实分布所指定的策略消除系统的不确定性所需要付出成本的大小。交叉的字面意思在于：真实分布与非真实分布的交叉。给定一个方案, 越优的策略, 最终的交叉熵越低。具有最低的交叉熵的策略就是最优化策略，也就是上面定义的熵。因此, 在机器学习中, 我们需要最小化交叉熵。
数学上来讲, 交叉熵就是
其中, p 是真正的概率, 例如例子二中, 橘色和绿色是 1/8, 红色是 1/4, 蓝色是 1/2。p^是错误地假设了的概率, 例如, 在例子二中我们错误地假设了所有的颜色的概率都是 1/4。p和 p^ 可能有点容易混淆. 记住一点, log是用来计算在 你的策略下猜中所需要的问题数, 因此, log中需要的是你的预测概率 p^。在决策树中, 如果建立的树不是最优的, 结果就是对于输出的概率分布的假设是错误地, 导致的直接结果就是交叉熵很高。交叉熵不仅仅应用在决策树中, 在其他的分类问题中也有应用。
分类问题在二分类问题中, 标签 y 是 1 的似然是对于标签 y 的预测 y^, 同样的, 标签是 0 的似然是 1−y^. 我们需要最大化似然函数, 而且, 由于二分类问题的特殊性, 根据伯努力分布(Bernoulli distribution)，可以把似然函数写成
当 y=1 的时候, 第二项为 1, 因此, 优化的是 y^
当 y=0 的时候, 第一项为 1, 优化的是 1−y^.对上面的似然函数取对数, 结果是:
最大化似然函数, 就是对上面表达式取负然后最小化。也是交叉熵的表达式。 交叉熵有时候也被称为对数损失函数。注意与上边例子区别是多了个负号，上边例子是消除不确定性需要付出的成本；而现在这个加了负号的交叉熵，则是最终的目标函数。
举例来说, 假设我有 3 枚硬币, 正正反, 记为 1,1,0. 预测结果是 0.8, 0.9, 0.3, 那么, 交叉熵的均值是:
−1/3(1×log0.8 1×log0.9 (1−0)×log(1−0.3))
假设有一个完美的算法, 直接预测出了 1,1,0, 那么交叉熵的结果就是 0.
,
