一般线性模型

这篇博客介绍了指数分布族的理论,包括伯努利分布和高斯分布作为特例。详细阐述了GLM(广义线性模型)的建立过程,特别是logistic回归和线性分类(Softmax Regression)。通过梯度下降法来求解模型参数,并给出了各模型的预测函数和迭代式子。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

指数分布族

形式:

这里写图片描述

应用:

1. logistic 回归:

  • logistics 回归其实是伯努利分布。p(y;θ)=θy(1θ)1y . 其中θ可以看做hθ(x)
  • 伯努利分布是指数分布的一个特列:
    这里写图片描述
    其中:
    这里写图片描述
    η=log(θ1θ) 因此:θ=11+eη

2.梯度下降:

  • 最小二乘法其实是高斯分布。
    这里写图片描述
  • 高斯分布是指数分布的一个特列:
    y|x;θ ~ N(μ,σ2) , 其中σ2是无关项,不妨另σ
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值