深度学习6一般线性模型

在前面我们曾经有一个问题，就是在logistic回归中，我们为什么用

对于这个问题，我们先定义了一个一般线性模型

一般为y，就是我们前面所说的真实值y

这个分布也就是指数分布

伯努利分布，高斯分布，泊松分布，贝塔分布，狄特里特分布都可以用这个指数分布来表示。

在对数回归时采用的是伯努利分布，对于伯努利分布，可以表示成

则我们对照上面的一般线性模型

解，这边也就看到我们为什么用上面的g(z)的原因

对于正态分布，为了简单起见，

则对照上面的一般线性模型。有

这个也就是我们前面的线性回归。

好的，下面总结一下思路：

1. 对于我们要估计的值，我们就将其转化到某个分布中去，（特定的问题转化到特定的分布）

比如分类问题，我们只有0跟1，则我们转换到0,1分布中去，则我们就用到一个函数

2.对于其他的问题，也就可以转化到其他分布上去。对于可以转化的问题就是给点x和θ，分布y服从以η为参数一般线性模型。

3.我们的目标是在x的条件下预测真实值，一般情况为y，对于我们的预测函数h（x），认为其实在x条件下y的期望，，则

在logistic回归中，分布为其期望是，即h==

在线性回归中，分布是正态分布，期望是，即

h==

这样对于前面的logistic回归的理论就有了。