接着信息量与熵，我们再来看看条件熵，相对熵，交叉熵，信息增益，互信息，信息增益比。
1 信息量
2 熵
3 条件熵
4 相对熵（KL散度）
详解链接https://blog.csdn.net/u013066730/article/details/112988733
5 交叉熵
6 信息增益
西瓜书的第四章链接：https://pan.baidu.com/s/16xMD5CvTzO4TurNJ602Bmw 提取码：ydvv
推导公式：https://github.com/Sophia-11/Machine-Learning-Notes/blob/master/README.md
7 互信息
8 信息增益比
既然信息增益已经能够表明某一特征对于总体的信息的贡献，为什么还需要使用信息增益比呢？
具体请参照西瓜书4.2章节：https://pan.baidu.com/s/16xMD5CvTzO4TurNJ602Bmw 提取码：ydvv
简单来讲，就是当一个特征可能的取值数目非常多的时候，该类特征提供的信息往往越大，毕竟最终结果依据被分的更细了，获取的信息也更丰富了。但这并不代表就一定有效，这很容易导致他的泛化性能很差。
表示特征本身含有的熵。
本篇博客主要参考自：
《信息量、熵、最大熵、联合熵、条件熵、相对熵、互信息》
《交叉熵（Cross-Entropy） 》
《最大熵模型中的数学推导》
《我们为什么需要信息增益比，而不是信息增益？ 》
https://blog.csdn.net/xg123321123/article/details/52864830#comments