机器学习(十)——指数族(The exponential family)


为了达到广义线性模型,我们首先定义指数族分布。我们说如果一个分布是指数族分布,那么它可以用以下形式表示:

这里,η被称为分布的自然参数(也称为规范参数);T(y)是充分统计量(对于我们所考虑的分布,通常情况下有T(y)=y);a(η)被称为对数划分函数。这一项本质上是起到了正则化常数的作用,确保了分布p(y;η)的总和或是积分在y到1上。

固定T,a和b,我们定义一族以η为参数的分布;随着η的变化,我们可以在这个族中得到不同的分布。

我们现在以Bernoulli分布和Gauss分布为例,来说明它们属于指数族分布。均值为φ的Bernoulli分布,可以写成Bernoulli(φ),指定y∈ {0,1}的分布,使得p(y=1;φ)=φ;p(y=1;φ)=1-φ。随着φ的变化,我们得到了不同均值的Bernoulli分布。我们现在来证明这类由变化的φ得到的bernoulli分布,属于指数族分布。也就是说,有一个T,a和b的选择,使方程(6)完全成为Bernoulli分布的一类。

我们可以将bernoulli分布写成如下的形式:


因此,自然参数由η=log(φ/(1−φ))给出。有趣的是,如果我们把η的这个定义转化为用η来求解φ,我们可以得到φ=,这不就是大家熟悉的 sigmoid 函数!当我们将Logistic回归作为GLM时,这将再次出现。为了完成Bernoulli分布作为指数族分布的公式,我们也有


这表明,使用适当的T、a和b的选择,Bernoulli分布可以用方程(6)的形式写成。

现在让我们继续考虑高斯分布。回想一下,当导出线性回归时,的值对我们最终选择θ和没有影响。因此,我们可以为选择任意值,而无需更改任何内容。为了简化下面的推导,我们让=1。然后,我们有:


因此,我们可以得到 Gaussian 也是指数族,其中:


还有许多其他分布也是指数族的成员。例如,多项式分布,泊松分布, gamma 分布,指数分布,beta分布, Dirichlet 分布。

  • 6
    点赞
  • 24
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值