从广义线性模型到逻辑回归,逻辑回归的深入理解
总结:由于逻辑回归假定y的条件分布(y|x)是伯努利分布,所以根据广义线性模型和指数分布簇的定义,它对应的假设函数是sigmoid函数。
广义线性模型的三个假设——逻辑回归
1、 假定服从指数分布簇的某个分布(见文章后面参考)
逻辑回归中,,所以假定
【即已知参数θ的情况下,给定x,y的条件概率服从参数的伯努利分布】,此时有
。在将伯努利分布转换成指数簇的表达形式中,得知
(见文章后面参考)
2、假定在假设h下预测值hθ(x)满足【即预测结果要和均值相同】
在逻辑回归中有
3、 假定自然参数η与输入x之间是线性相关的,即η=θTx【线性分类器体现在这】
根据以上信息可以得到:
当假定p(y|x)服从高斯分布时,可以得到线性回归
当假定p(y|x)服从多项式分布时,可以得到softmax回归(即逻辑回归扩展到多分类问题),从下面的公式可以看出,逻辑回归是softmax回归的特例
ps:k类分类问题,只需要求k-1个,因为第k个可以有前面k-1个求出(概率和=1),所以二分类问题只需要求一个
参考:
指数分布簇具有以下形式:
其中η是分布的自然参数(natural parameter),T(y)是充分统计量(sufficient statistic),一般T(y)=y,a(η)是log partition function。e-a(η)是起标准化作用的。
将伯努利分布转换成指数分布簇的形式
对应到指数分布簇中有:
此时:
另外: