机器学习--模型为什么是这个样子-期望.

昨晚写完逻辑回归准备写感知机时，突然想到了两个问题，感知机就停下笔来。第一个问题是：我说了不管是分类还是回归，都是要对$p(y|x)$进行建模，也说了，线性回归是$N(y|w^Tx,\sigma)$,逻辑回归是$Ber(y|sigm(w^Tx))$。也通过极大似然估计出了模型参数，一切好像都捋顺了。但是，突然我楞一下，模型呢？输入输出是什么样的关系？难道要我拿着输入去输进高斯分布，伯努利分布里吗？
其实这两个算法的模型我们是知道的。线性回归就是$y=w^Tx$嘛，逻辑回归就是$y=sigm(w^Tx)$嘛。可是这两个模型表示形式是怎么来的呢？
肯定是什么什么公式等式一步一步推到了这个模型形式吧？
就在我苦苦徘徊之际，灵光一闪。期望！
对，就是期望！其实我们要得到的是什么？不就是我 有一个输入的时候，你给我一个输出吗？那这个输出怎么得到呢？那线性回归举例，输出$y$是以$w^Tx$为均值，以$\sigma^2$为方差的高斯分布啊？对不对？那高斯分布的期望的什么？说到这里我都笑了，均值啊！高斯分布的期望是它的均值啊！这里的均值是什么？不就是$w^Tx$。逻辑回归也是一样的道理。所以，当有一个输入进模型的时候，其实我们输出是什么？是期望，是$E[y]$,也就是$yp(y)$.
这个是我想到的，我的理解，没有从哪本书上看到过，因为好像大家都默认线性回归就是这个样子，逻辑回归就是那个样子。估计参数的时候把极大似然函数掏了出来。没有说模型为什么是现在这个样子。我的解释就是期望。所以我的“概率-建模“大法到这里还是对的！