线性回归模型:
通常假设偏差属于高斯分布,这就使得预测值Y属于均值依赖输入和线性模型参数的高斯分布;
(大多数应用场景满足偏差属于高斯分布假设)
logistic回归模型:
预测值只有0,1,属于伯努利分布,这就使得预测值的概率分布为P(Y)=Q;
根据两者都属于指数分布族的特例,导出概率Q和输入的依赖关系,才会产生Logistic函数形式的假设模型;
线性回归模型和Logistic模型在参数的求取时,都采用了最大似然估计求参数的方法(发生的事件,也就是样本,即为最可能的事件),使得L(theta)最大,这就导出了不同的学习规则(虽然形式相似),都可以采用梯度下降求最优参数。
对于任何的机器学习问题,用广义线性模型解决需要进行的大概步骤:<