一个重要的结论:基于大部分常见概率分布(exponential family)的生成算法得到的p(y|x)都是g(theta' * x) 其中g是sigmoid函数。即后者是前者的必要不充分条件。
可以得到推论:
1. 逻辑回归器具有较强的鲁棒性,在大数据情况下表现良好
2. 生成算法在分布选择正确或者相似的情况下可以得到较高的准确率,同时对数据量要求不高。但是在分布选择错误的情况下表现较差。
这是因为生成算法给予了模型更大的信息输入。
一个重要的结论:基于大部分常见概率分布(exponential family)的生成算法得到的p(y|x)都是g(theta' * x) 其中g是sigmoid函数。即后者是前者的必要不充分条件。
可以得到推论:
1. 逻辑回归器具有较强的鲁棒性,在大数据情况下表现良好
2. 生成算法在分布选择正确或者相似的情况下可以得到较高的准确率,同时对数据量要求不高。但是在分布选择错误的情况下表现较差。
这是因为生成算法给予了模型更大的信息输入。