logistic Regression

标签：mic   图片   不同   语音识别   数据   thml   估计   ima   需要   

 进行数学推导

逻辑回顾与线性回顾的差异

 为什么logistic Regression 不能用square error

Discriminative vs  Generative

逻辑回归的方法称为Discriminative（判别） 方法；上一篇中用高斯来描述后验概率，称为 Generative（生成） 方法。它们的函数集都是一样的：

如果是逻辑回归，就可以直接用梯度下降法找出w和b；如果是概率生成模型，像上篇那样求出 μ^1,μ^2μ1,μ2 ，协方差矩阵的逆，然后就能算出w和b。

用逻辑回归和概率生成模型找出来的w和b是不一样的。

generative model 做了某些假设
Naive Bayes(贝叶斯)没有考虑不同维度间的关系
那么在class 2里面没有（1 1 ）因为data 不够多，（1 1）也是有可能被产生的。因此贝叶斯会脑补这些情况

生成方法的优势：

训练集数据量很小的情况；因为判别方法没有做任何假设，就是看着训练集来计算，训练集数量越来越大的时候，error会越小。而生成方法会自己脑补，受到数据量的影响比较小。 对于噪声数据有更好的鲁棒性（robust）。 先验和类相关的概率可以从不同的来源估计。比如语音识别，可能直观会认为现在的语音识别大都使用神经网络来进行处理，是判别方法，但事实上整个语音识别是 Generative 的方法，DNN只是其中的一块而已；因为还是需要算一个先验概率，就是某句话被说出来的概率，而估计某句话被说出来的概率不需要声音数据，只需要爬很多的句子，就能计算某句话出现的几率。

多类分类

siftmax 可以强化大的值

逻辑回归的限制

 但是仍然想用逻辑回归，怎么办？

特征转化

 那么如何让机器找到一个好的transformation

举个例子

 这种方式其实就是神经网络

logistic Regression

标签：mic   图片   不同   语音识别   数据   thml   估计   ima   需要   

原文地址：https://www.cnblogs.com/tingtin/p/12321465.html