细讲逻辑斯蒂回归与朴素贝叶斯、最大熵原理的爱恨交织（三）

第三节 —— 视角切换到机器学习

我们把刚才统计中的各种符号和术语渐变到机器学习中来。

需要转换的术语	统计回归分析	机器学习
${\vec{x}}_i$	Independent variable of the $i^{th}$ sample	第 i 条数据的特征向量
$\vec{\beta }$	Regression coefficients	权重（参数）$\vec{w}$，需要学习的东西
$P_i$	Dependent variable	输出，要预测的东西
$P_i=\frac{1}{1+exp(-{\overrightarrow{x_i}}^T\vec{\beta })}$ $\Updownarrow$ $y=\sigma ({\vec{w}}^T\vec{x})$	Transformation	Activation function

一切似乎都逐渐明朗了。

${\vec{w}}^T\vec{x}$ 不就是特征的 weighted sum 嘛。假如共有k个特征（b 表示bias）：

w ⃗ = { w 1 w