你想弄懂什么？

当条件熵 H(X|Y) 为零时，意味着一旦知道 Y，关于 X 就没有剩余的不确定性或惊讶。这表明 X 是 Y 的确定性函数，因此关于 X 的所有信息都完全包含在 Y 中。

适用条件：X 和 Y 是离散随机变量。

当条件熵 H(X|Y) 为零时，意味着一旦知道 Y，关于 X 就没有剩余的不确定性或惊讶。这表明 X 是 Y 的确定性函数，因此关于 X 的所有信息都完全包含在 Y 中。

适用条件：X 和 Y 是离散随机变量。

条件熵是 X 和 Y 的联合熵与 Y 的边缘熵之差。这种关系由熵链式法则表示：H(X|Y) = $H(X,Y) - H(Y)$。

适用条件：X 和 Y 是具有良好定义的联合熵和边缘的离散随机变量。

条件熵是 X 和 Y 的联合熵与 Y 的边缘熵之差。这种关系由熵链式法则表示：H(X|Y) = $H(X,Y) - H(Y)$。

适用条件：X 和 Y 是具有良好定义的联合熵和边缘的离散随机变量。

条件熵 H(X|Y) 被 $0 \le H$(X|Y) ≤ $H(X)$ 所界定，因为学习 Y 的值提供了只能减少或保持不变的关于 X 的平均不确定性的信息；它在平均意义上不能增加不确定性。

适用条件：X 和 Y 是离散随机变量。

条件熵 H(X|Y) 被 $0 \le H$(X|Y) ≤ $H(X)$ 所界定，因为学习 Y 的值提供了只能减少或保持不变的关于 X 的平均不确定性的信息；它在平均意义上不能增加不确定性。

适用条件：X 和 Y 是离散随机变量。

当且仅当随机变量 X 和 Y 统计独立时，条件熵 H(X|Y) 等于无条件熵 $H(X)$。在这种情况下，知道 Y 不提供关于 X 的任何信息，因此不确定性保持不变。

适用条件：X 和 Y 是离散随机变量。

当且仅当随机变量 X 和 Y 统计独立时，条件熵 H(X|Y) 等于无条件熵 $H(X)$。在这种情况下，知道 Y 不提供关于 X 的任何信息，因此不确定性保持不变。

适用条件：X 和 Y 是离散随机变量。

该练习要求学生实现一个 Matlab 函数 conditionalentropy(p)，该函数从二维联合概率矩阵 $p(x,y)$ 计算给定 Y 时 X 的条件熵。它包括特定的测试用例以验证正确性，例如确定性和均匀分布。

适用条件：输入 p 被假定为二维联合概率数组 $p(x,y)$。；学生可以重用现有的 entropy() 和 jointentropy() 例程。

该练习要求学生实现一个 Matlab 函数 conditionalentropy(p)，该函数从二维联合概率矩阵 $p(x,y)$ 计算给定 Y 时 X 的条件熵。它包括特定的测试用例以验证正确性，例如确定性和均匀分布。

适用条件：输入 p 被假定为二维联合概率数组 $p(x,y)$。；学生可以重用现有的 entropy() 和 jointentropy() 例程。