【机器学习笔记】伯努利分布和高斯分布

涉及到的两个概念就是 ：
广义线性模型（Generalized Linear Models） 和 指数分布族 （The exponential family）

有一个这样神奇的式子：

$$p(y;\eta) = b(y)e^{\eta^TT(y)-a(\eta)}$$

来表示指数分布族，只要我们给定特定的 $T(y), a(y), b(y)$ 就可以用如上式子表示大部分的分布；
如 伯努利分布，高斯分布，狄利克雷分布，泊松分布等等；

然而通过指数分布族来表示广义线性模型的话需要满足三个条件，具体条件讲义上有，我也懒得搬了,贴一个Jerrylead大神的图吧…

重点是，我想了一下这里为什么提到伯努利分布和高斯分布，这个用途；

伯努利分布，只有0，1两种结果，所以是在二分类问题中会用到，也就是之前提到的分类问题；

而高斯分布，是我们在求解最小化损失函数的时候，当时用最小二乘法表示，是因为假设误差函数满足高斯分布的时候的最大似然函数中部分的 $log$ 形式

之前有点疑惑，感觉有点混淆模型和分布的概念
现在感觉，分布是对于结果集，或者是训练集的一个描述，应该是根据分布的情况选取相应的模型
大致这样理解吧