标签：
提纲：
1.回顾多元线性回归
在上一篇随笔中，说到了线性模型中最基本的一种--多元线性回归，其基本形式如图一所示：
图一
在多元线性回归中，模型的预测值都分布在一条直线上，所以只有当样本点的真实分布大致与所求到的直线的形状相同时，模型才能工作得很好。情况大致如图二所示：
图二
在图二中，我们认为样本点的分布是线性变化的，所以我们模型的预测值直接逼近样本点的真实值y本身，但在现实生活中，很多时候样本点的分布并非像图二所示，那么我们有没有一种模型，可以让线性模型推广开来，适应更多现实中的情况呢？假设我们有一个像图三一样的样本点集合；
图三
在学习如何让模型的预测值逼近如图三的直线之前，我们先来看一下什么是广义线性模型。
2.广义线性模型的基本形式
广义线性模型的基本形式如图四：
图四
其中，g(·)为联系函数(link function)，作用是将线性回归模型的预测值与真实值y联系起来，它是一个单调可微函数，形如图四的模型叫“广义线性模型”。
说白了，广义线性模型就是给线性回归模型的预测值穿上个小马甲，例如，假设有个样本点集合，样本点的分布如图三所呈现，即真实值y是在指数尺度上变化，我们希望线性回归的预测值会逼近如图三的分布，那么，我们就应该根据样本点的真实值y是呈指数变化的这个特点，给线性回归模型的预测值穿上指数变化小马甲，而g(·)这个函数，就是起到一个马甲的作用。
图五
3.对数线性回归
对数线性回归是g(·)=ln(·)时的特例，可以适应样本点集合的真实标记值y呈现如图三中的变化时的情况。
当g(·)=ln(·)时，y=e^(wT*x+b)，具体推导过程如图六所示：
图六
4.学习和参考资料
周志华老师的《机器学习》，清华大学出版社。
标签：
原文地址：http://www.cnblogs.com/pengyingzhi/p/5400736.html
