4.3 概率判别式模型（PRML读书笔记）

本节小结

  本节介绍了概率判别式模型，即直接对$p(C_k|\text{x})$进行建模。与4.2节的概率生成式模型相比，概率判别式⽅法通常有更少的可调节参数需要确定；预测表现也会提升，尤其是当类条件概率密度的假设没有很好地近似真实分布时。
  在做分类之前，会使⽤⼀个固定基函数变换$\varphi (\text{x})$先对x做下非线性变换，这也与第3章中讨论的回归模型类似。
  logistic回归模型是典型的概率判别式模型。二分类情形下，在4.2节⽣成式⽅法的讨论中，我们看到在⼀些相当⼀般的假设条件下，类别$C_1$的后验概率可以写成作⽤在特征向量$\varphi$的线性函数上的logistic sigmoid函数的形式，即

其中，σ(·)是公式（4.59）定义的logistic sigmoid函数。这个模型被称为logistic回归，需要强调的⼀点是，这是⼀个分类模型⽽不是回归模型。直接对公式4.87建模即可求的w的解（比如利用最大似然方法）。
   类似的，多分类请向下根据公式4.62-4.63、4.68-4.70，可得

其中

互动话题

• 对比4.3.2节的最大似然与4.2.2节的最大似然？
  根据公式4.71，再结合4.2节的笔记，4.2.2节的最大似然$p(\text{t,X}|\pi ,{\mu }_1,{\mu }_2,\Sigma )$是针对t,X的联合概率分布。
  根据公式4.89，4.3.2节的最大似然$p(\text{t}|\text{w})$是针对t的分布的。
• 公式4.91（logistic回归下的负对数似然的梯度）、公式4.109（多分类logistic回归下的负对数似然的梯度)、公式3.13的形式完全一样，这个很有意思，值得深入对比分析。