广义线性模型

标签：nbsp   导出   raw   actual   线性   就是   lazy   math   cti   

指数分布族

如果一类分布可以写成如下的形式，那么它就是属于指数分布族的：

P(y;η) = b(y)exp(η^TT(y) - a(η))        (1)

这里η叫做分布的自然参数（natural parameter），或者叫标准参数（canonical parameter）；T(y)是充分统计量（ sufficient statistic），对于我们考虑的大多数分布，T(y)=y；然后a(η)叫做log partition function。实际上，伯努利分布和正态分布都属于指数分布族，分析如下。

Bernoulli分布

伯努利概率分布如下：

P(y;φ) = φ^y(1 - φ)^1-y = exp(ylog(φ) + (1 - y)log(1 - φ)) = exp(ylog(φ/(1-φ)) + log(1-φ))        (2)

(2)式对比(1)式，显然有

T(y) = y; η = log(φ/(1-φ)); a(η) = -log(1-φ) = 1/(1+exp(η))        // sigmoid

Gaussian分布

高斯概率分布如下：

则有：

由以上分析可知，伯努利和高斯分布都属于指数分布族。

广义线性模型

对于回归问题，如果满足以下三个条件，即可应用广义线性模型解决：

•  y的条件概率属于指数分布族
• 给定x 广义线性模型的目标是 求解  ， 不过由于 很多情况下  所以我们的目标变成了  , 也即 我们希望拟合函数为  ( 备注： 这个条件在 线性回归 和 逻辑回归中都满足， 例如 逻辑回归中  )
• 自然参数  与 x是线性关系 ：  ( 为向量时  )

广义线性模型推导出线性回归：

step1: 

step2: 由假设2  得到：

广义线性模型推导出逻辑回归：

step1: 

step2: 与上面同理

广义线性模型推导出 Softmax Regression：

 https://www.cnblogs.com/wujiazhong/articles/9524388.html

广义线性模型

标签：nbsp   导出   raw   actual   线性   就是   lazy   math   cti   

原文地址：https://www.cnblogs.com/wujiazhong/p/9526949.html