熵的鏈式法則(Chain Rule)

$H(X)=H(X1​)+H(X2​∣X1​)+H(X3​∣X1​,X2​)$

如果一個決策可以拆成連續幾個階段,總熵 = 每個階段的熵之和(後面的階段用「條件熵」,也就是在前面已知的情況下,那個階段還剩多少不確定性)。

- 閱讀剩餘部分 -

$|\phi_0\rangle$ 是什麼？

$|\phi_0\rangle$ 讀作「ket phi zero」，中文可以念成「右括號 phi 零」。

它代表一個量子狀態，也可以把它暫時理解成一個向量。

例如普通二維向量可以寫成：

$$
|\phi_0\rangle= \begin{pmatrix} 1\\ 0 \end{pmatrix}, \qquad |\phi_1\rangle= \begin{pmatrix} 0\\ 1 \end{pmatrix}
$$

- 閱讀剩餘部分 -

三門問題的資訊熵解釋

核心思路

三門問題（Monty Hall）的關鍵在於：主持人的動作不是隨機的，而是攜帶訊息的。用資訊熵來看，整個過程是一次「熵減少」的過程──你獲得了訊息，不確定性就下降了。

初始熵

三扇門，獎品等機率藏在其中一扇後面：

$$
H_0 = -\sum_{i=1}^{3} \frac{1}{3}\log_2\frac{1}{3} = \log_2 3 \approx 1.58 \ bits
$$

- 閱讀剩餘部分 -

本篇要講述的是台中 OSM 建築數量 2018→2025 增長 392%，但其中有多少是真實建設、多少是社群回填？本篇提出一個可量化、可控制修正強度的 λ 偏差修正指數。

關於 OSM 其中的 392% 增長，有多少是真的？

先來檢視台中市 OSM 數據 8 年的原始增長：

採樣點 500m 範圍內的「平均建築數量」更為顯著——從 2018 年的 27.6 棟，增至 2025 年的 136 棟，+392.1%。

- 閱讀剩餘部分 -

Shannon 熵（標準定義）

$$
H(X) \;=\; -\sum_i P_i \log P_i \;\ge\; 0
$$

• $H$ 代表的是 Entropy 不確定性 / 亂度；分布越平均，$H$ 越大（越不確定）；分布越尖（越確定），$H$ 越小。
• 均勻分布（n 個等機率）達最大 $H = \log n$；確定事件 $H = 0$。

- 閱讀剩餘部分 -