广告推荐系统-逻辑回归问题导出

在广告推荐系统中，利用用户和广告之间的信息作为预测的特征

预测的过程其实就是一个二分类的问题，主要就是判定一个用户对这个广告点击或者是不点击的概率是多少

而这个过程是一个伯努利函数，整个过程是一个伯努利分布

而在逻辑回归中主要是在线性回归的基础上利用了一个逻辑函数sigmod，而为什么要用这个函数，逻辑回归与线性回归之间的关系：

1 广义线性模型：

指数家族分布：

是广义线性模型的基础，所以先简单了解一下指数分布族。

      

当固定T时，这个分布属于指数家族中的哪种分布就由a和b两个函数决定。 自然参数 η    是分布的参数。

同事广义线性模型需要满足三个条件：

如何构建GLM呢？在给定x和参数后，y的条件概率p(y|x,θ) 需要满足下面三个假设：

        assum1)      y | x; θ ∼ ExponentialFamily(η).   参数x,y必须是符合指数家族分布的情况

        assum2)      h(x) = E[y|x]. 即给定x，目标是预测T(y)的期望，通常问题中T(y)=y.     模型预测输出仍然可以认为是