当概率密度函数可以写成下面的形式，我们称属于自然指数分布族：

η 特性[自然]参数 natural parameter

T (y) 充分统计量 sufficient statistic 一般情况下 T (y) = y

a(η) 积累量母函数log partition function

e^?a(η) 用来归一化

Bernoulli –> exponential family

反解，logistic函数是这么来的：

φ =1/(1 + e^?η)

Gaussian -> exponential family(假设σ²= 1)

众多概率统计学过的分布都属于自然指数分布族

构造GLM的步骤

1. 假设：
2. 目标：给定x，预测T (y)。即 h(x) = E[y|x]
3. η = θ^Tx

第三步可以考虑为设计策略，η是输入变量的线性组合

1. 使用极大似然估计法估计参数

扯点远的

Bayesian vs Frequentist

频率学派认为θ未知的，确定的变量（上帝知道）

估计θ的方法是，θ的值应该使得观察到的样本最大可能的出现（经验风险最小化）

贝叶斯学派观点见生成学习算法

下面举几个栗子

Linear Regression

1. 
2. =μ
3. η = θ^Tx

根据μ = η有：

1. 极大似然估计

选择最小化

一气呵成

Logistic Regression

1. y|x; θ ～ Bernoulli(φ)
2. =φ
3. η = θ^Tx

根据φ =1/(1 + e^?η)有：

1. 极大似然估计

选择最大化?(θ)

又一气呵成

构造GLM的难点

可以看出构造GLM难点在于第一步，对y|x; θ的分布建模。

如何确定y|x; θ的分布。。。。不知道。。。。

只能假定你已经y|x; θ的分布是某个指数族分布

最后一个栗子

Softmax Regression

k分类问题

y ∈{1 2, . . . , k}

一个比较合理的假设是对y|x; θ服从多项分布（multinomial distribution）

K个输出的概率记为φ₁, . . . , φ_k，其中

定义如下

指示函数（indicator function） 1{·}

1{True} = 1, 1{False} = 0 比如 1{2 = 3} = 0

1. y|x; θ ～ 多项式分布
2. 
3. 

得到：

反解得：

定义：

叠加得：

上式称为softmax 函数

1. 极大似然估计

选择最大化?(θ)

这种处理多分类问题称为softmax regression

参考资料

• [1] CS229