1) the condition entropy of sample information
抽样信息的条件熵
2) conditional information entropy
条件信息熵
1.
Classification algorithm for self-learning Nave Bayes based on conditional information entropy;
基于条件信息熵的自主式朴素贝叶斯分类算法
2.
Relationship between roughness of knowledge and conditional information entropy
知识粗糙性和条件信息熵的关系
3.
The feature parameters are predigested by applying conditional information entropy arithmetic derived from rough set,and key feature parameters are extracted at first.
首先利用粗糙集理论中的条件信息熵算法对系统特征参数进行了约简,提取出了关键特征参数,在此基础上再利用支持向量机算法对武器系统效能进行了评定。
3) conditional expectation variance reduction
条件抽样
4) sampling information
抽样信息
1.
In this paper, the problem about information value is proposed, evaluation method of sampling information value is given.
本文提出了信息价值的问题 ,并给出了抽样信息价值的评价方法。
5) the quantity of sample information
抽样信息的信息量
1.
Some conclusions are also obtained that the conditional entropy of complete information reaches the minimum,the quantity of sample information and EVSI the maximum, and that the condition entropy of uniform information r.
得到 Bayes决策中抽样信息的最大期望收益值 EMV*s 的新计算公式 ,给出抽样信息的信息量定义 ,讨论了不同准确度抽样信息的条件熵、信息量和 EVSI的性质 ,得出完全信息的条件熵最小、信息量和 EVSI最大 ,均匀分布信息的条件熵最大、信息量和 EVSI最小的结
补充资料：信息熵（informationentropy）
信息熵（informationentropy）
是信息论中信息量的统计表述。香农（Shannon）定义信息量为：`I=-Ksum_ip_ilnp_i`，表示信息所消除的不确定性（系统有序程度）的量度，K为待定常数，pi为事件出现的概率，$sump_i=1$。对于N个等概率事件，pi=1/N，系统的信息量为I=-Klnpi=KlnN。平衡态时系统热力学函数熵的最大值为$S=-ksum_iW_ilnW_i=kln\Omega$，k为玻尔兹曼常数，Wi=1/Ω为系统各状态的概率，$sum_iW_i=1$，Ω为系统状态数，熵是无序程度的量度。信息量I与熵S具有相同的统计意义。设K为玻尔兹曼常数k，则信息量I可称信息熵，为$H=-ksum_ip_ilnp_i$，信息给系统带来负熵。如取K=1，对数底取2，熵的单位为比特（bit）；取底为e，则称尼特。信息熵是生命系统（作为非平衡系统）在形成有序结构——耗散结构时，所接受的负熵的一部分。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条