AI实践之路：线性/逻辑回归背后的广义线性模型与最大似然估计

写上一篇文章的过程中，讲到逻辑回归是如何利用Sigmoid函数将线性回归的数值转换为概率时，才意识到自己对逻辑回归的理解十分浅显，为什么是Sigmoid函数？它一个就说是概率了？数学原理是什么？为了增加理解，尝试整理了所查资料的知识点，文中会放上不同信息的参考来源。

1.广义线性模型 Generalized linear model

首先需要知道广义线性模型，即GLM，说实话没学过啥统计学这那的课，看到很多数学术语、专业刻板的描述、数学公式简直读到头大，尝试按自己目前理解的去描述，如果有错误还希望指正。

广义线性模型是线性回归模型的推广。数学家们发明了线性回归这一方法用来解决现实中的问题，比如预测房价啦等等，但是这个模型显然是受很多假设限制的，它只能用来预测数值，无法进行分类；它假设随机误差服从0均值的正态分布；回归模型对参数来说是纯线性的...具体可以参照这篇文章：经典线性回归模型十大假定。

可以看到，想使用传统线性回归模型（y=wx+b）的条件是较为严苛的，面对现实情况各种更复杂的问题，很多传统假设不再适用，但其中依然隐含线性关系可以让我们解决，那么就推广出了更具代表性的，更广义的线性模型。

----------------------------------------------------------

经过抽象，广义线性模型由三个部分组成，具体参考了这篇文章：广义线性模型（GLM）概述

1.随机部分：我们拥有N个数量的真实值y，如掌握了N个房子的房价，这N个y是彼此相互独立的，同时每个y都是受同一组参数控制的，比如计算房价的过程中我们只要用到一组w来左右不同信息对结果的影响，也就是不同的信息乘上这组w 产