本文介绍了指数族分布，包括伯努利分布和高斯分布的指数族形式，并详细阐述了广义线性模型（GLM）的概念。通过三个基本假设，展示了如何将逻辑回归和最小二乘法纳入GLM框架，解释了逻辑回归的预测概率公式来源。
参考NG的lecture note1 part3
本文将首先简单介绍指数族分布，然后介绍一下广义线性模型（generalized linear model, GLM), 最后解释了为什么逻辑回归（logistic regression, LR) 是广义线性模型的一种。
指数族分布
指数族分布 (The exponential family distribution),区别于指数分布（exponential distribution)。在概率统计中，若某概率分布满足下式，我们就称之属于指数族分布。
p(y;η)=b(y)exp(ηTT(y)−a(η))p(y;\eta)=b(y)\exp(\eta^T T(y)-a(\eta))p(y;η)=b(y)exp(ηTT(y)−a(η))
其中η\etaη是natural parameter, T(y)T(y)T(y)是充分统计量, exp−a(η))\exp^{-a(\eta))}exp−a(η))是起到归一化作用。 确定了T,a,bT,a,bT,a,b,我们就可以确定某个参数为η\etaη的指数族分布.
统计中很多熟悉的概率分布都是指数族分布的特定形式，如伯努利分布，高斯分布，多项分布（multionmal), 泊松分布等。下面介绍其中的伯努利分布和高斯分布。
- 伯努利分布
p(y;ϕ)=ϕy(1−ϕ)1−y=exp[ylogϕ+(1−y)log(1−ϕ)]=exp[ylogϕ1−ϕ+log(1−ϕ)]p(y;\phi)=\phi^y (1-\phi)^{1-y} \\=exp[y\log\phi+(1-y)\log(1-\phi)] \\=exp[y\log \frac{\phi}{1-\phi}+log(1-\phi)]p(y;ϕ)=ϕy(1−ϕ)1−y=exp[ylogϕ+(1−y)log(1−ϕ)]=exp[ylog1−ϕϕ+l
最低0.47元/天 解锁文章
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
