从线性回归，logistic回归，softmax回归，最大熵的概率解释来看，我们会发现线性回归是基于高斯分布+最大似然估计的结果，logistic回归是伯努利分布+对数最大似然估计的结果，softmax回归是多项分布+对数最大似然估计的结果，最大熵是基于期望+对数似然估计的结果。前三者可以从广义线性模型角度来看。

广义线性模型

广义线性模型建立在三个定义的基础上，分别为：
定义线性预测算子
\[ η = θ^T x \]
定义y的估计值
\[ h(x,θ)=E(y|x,θ) \]
定义 y 的估值概率分布属于某种指数分布族：
\[ Pr(y|x,θ)=b(y) \exp(η^T T(y)−a(η)) \]
接下来详细解释各个定义

指数分布家族

指数分布家族是指可以表示为指数形式的概率分布，指数分布的形式如下：
\[ p(y;η)=b(y) exp(η^T T(y)−a(η)) \]

其中:

1. \(η\)被称为自然参数(natural parameters)
2. T(y)称为充分统计量,通常$T(y) = y $
3. \(a(η)\)称为对数分割函数（log partition function）；
4. \(e^{-a(η)}\)本质上是一个归一化常数，确保\(p(y;η)\)概率和为1。

当\(T(y)\)被固定时，\(a(η)\)、\(b(y)\)就定义了一个以\(η\)为参数的一个指数分布。我们变化\(η\)就得到这个分布的不同分布。
为什么要把$ y $的条件分布定义为这么奇怪的指数分布族？这是因为，在这样的定义下，我们可以证明：
\(p(y|η)\) 的期望值满足：
\[ E(y|η)=\frac{d}{dη}a(η) \]
\(p(y|η)\)的方差满足：
\[ Var(y|η)=\frac{d^2}{dη^2}a(η) \]

如此简洁的期望和方差意味着：一旦待估计的\(y\)的概率分布写成了某种确定的指数分布族的形式（也就是给定了具体的 \(a,b,T\)），那么我们可以直接套用公式 $h(x,θ)=E(y|x,θ)=\frac{d}{dη}a(η) $ 构建回归模型。

实际上大多数的概率分布都属于指数分布家族，比如
1）伯努利分布 0-1问题
2）二项分布，多项分布 多取值 多次试验
3）泊松分布 计数过程
4）伽马分布与指数分布
5）\(\beta\)分布
6）Dirichlet分布
7）高斯分布
现在我们将高斯分布和伯努利分布用指数分布家族的形式表示：
Bernoulli分布的指数分布族形式：
\[ p(y=1;\phi)=\phi;p(y=0;\phi)=1-\phi \\ \Longrightarrow \\ p(y;\phi)=\phi ^ y (1-\phi) ^ {1-y} \\ = \exp(y log \phi + (1-y)log(1-\phi)) \\ = \exp((\log(\frac{\phi}{1-\phi}))y+\log(1-\phi)) \]
即：在如下参数下 广义线性模型是 Bernoulli 分布
\[ η=\log(\phi/(1-\phi)) \Longrightarrow \phi=1/(1+e^{-η}) \\ T(y) = y \\ a(η)=-log(1-\phi)=log(1+e^η) \\ b(y)=1 \]

Gaussian 分布的指数分布族形式：
在线性回归中，\(\sigma\)对于模型参数\(\theta\)的选择没有影响，为了推导方便我们将其设为1：
\[ p(y;\mu)=\frac{1}{\sqrt{2 \pi}} \exp(-\frac{1}{2} (y-\mu)^2) \\ = \frac{1}{\sqrt{2 \pi}} \exp(-\frac{1}{2} y^2) \cdot \exp(\mu y-\frac{1}{2} \mu ^ 2) \]
得到对应的参数：
\[ η=\mu \\ T(y) = y \\ a(η)= \mu^2/2 = η^2/2 \\ b(y)=\frac{1}{\sqrt{2 \pi}} \exp(-\frac{1}{2} y^2) \]

用广义线性模型进行建模

想用 广义线性模型对一般问题进行建模首先需要明确几个 假设：

1.\(y|x;\theta ∼ ExponentialFamily(η)\)的条件概率属于指数分布族
2.给定x 广义线性模型的目标是 求解 T(y)|x ， 不过由于 很多情况下\(T(y)=y\)所以我们的目标变成了\(y|x\) , 也即 我们希望拟合函数为\(h(x)=E[y|x]\)
(NOTE： 这个条件在 线性回归 和 逻辑回归中都满足， 例如 逻辑回归中\(h_\theta(x)=p(y=1|x;\theta)\))
3.自然参数\(η\)与 \(x\)是线性关系 ： \(η=\theta^T x\) (\(η\)为向量时,\(η_i=\theta_i^T x\) )

有了如上假设 就可以进行建模和求解了：
广义线性模型 推导出 线性回归：
step1: \(p(y|x;theta) ∼ N(\mu,\theta)\)

step2: 由假设2\(h(x)=E[y|x]\)得到：
\[ h(x)=E[y|x] \\ =\mu \\ =η \\ =\theta^T x \]

广义线性模型 推导出 逻辑回归：
step1: \(p(y|x;theta) ∼ Bernoulli(\phi)\)

step2: 由假设2\(h(x)=E[y|x]\)得到：
\[ h(x)=E[y|x] \\ =\phi \\ =\frac{1}{1+e^{-η}} \\ =\frac{1}{1+e^{-\theta^T x}} \\ \]

标签：phi,frac,log,模型,广义,线性,theta,指数分布
来源： https://www.cnblogs.com/hellojamest/p/11146967.html