Je pense que cela dépend de la façon dont il doit être utilisé.
Juste pour référence pour d'autres lecteurs, si et Q sont des mesures de probabilité, alors la divergence de Jensen-Shannon est
J ( P , Q ) = 1PQ
oùR=1
J( P, Q ) = 12( D(P∣ ∣ R ) + D ( Q ∣ ∣ R ) )
est la mesure médiane et
D(⋅∣∣⋅)est la divergence de Kullback-Leibler.
R = 12( P+ Q )D ( ⋅ ∣ ∣ ⋅ )
Maintenant, je serais tenté d'utiliser la racine carrée de la divergence de Jensen-Shannon car c'est une métrique , c'est-à-dire qu'elle satisfait toutes les propriétés "intuitives" d'une mesure de distance.
Pour plus de détails à ce sujet, voir
Endres et Schindelin, Une nouvelle métrique pour les distributions de probabilité , IEEE Trans. sur Info. Tes. , vol. 49, non. 3, juil.2003, p. 1858-1860.
Bien sûr, dans un certain sens, cela dépend de ce dont vous avez besoin. Si vous ne l'utilisez que pour évaluer une mesure par paire, alors toute transformation monotone de JSD fonctionnerait. Si vous cherchez quelque chose qui se rapproche le plus d'une "distance au carré", alors le JSD lui-même est la quantité analogue.
Soit dit en passant, vous pourriez également être intéressé par cette question précédente et les réponses et discussions associées.