广义线性模型(Generalized Linear Model)——机器学习

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/a493823882/article/details/81477235

零、前言

对于条件分布(y|x;θ)，对于线性回归模型有，而对分类问题有。其实这些分布均是广义线性模型（GLM）的特殊情况。

我们通过定义广义线性模型，可以据此求出拟合函数h(x)

一、指数分布族（Exponential Family）

其定义如下

其中，η称为自然参数（natural parameter），T(y)称为充分统计量（sufficient statistic）（通常T(y)=y）。当a、b、T都确定了，就定义了以η为参数的指数分布族。

下面以伯努利分布与正态分布为例子，从指数分布族推导出它们。

1.1 Bernoulli分布

伯努利分布可写作：

对比指数分布族的定义，可知，同时也有：

注意，这时我们可以得到，即sigmoid函数的表达式，其意义后篇将说明。

1.2 Gaussian分布

实际上，σ^2的选取不影响各函数与参数的确定，这里不再证明，为了简化，我们令σ^2=1，于是有

根据指数分布族的定义，我们得到

实际上，指数分布、泊松分布、伽马分布、狄利赫里分布等很多分布也属于指数分布族，这里不再叙述。

二、GLM模型的建立

2.0 GLM的假设

对于回归或是分类问题，我们的目标是若其分布属于指数分布族的某种分布，那么根据这求出拟合函数h。具体假设如下：

1.

2.拟合函数h为条件概率期望关于特征x的函数，即

3.自然参数满足

其中假设3对η的线性假设，就是GLM中线性的由来。

2.1 普通的最小二乘

在线性回归模型中，最小二乘是最大似然，其中y|x服从高斯分布。

那么在GLM，若假设对给定x的y服从高斯分布，根据前文的证明，有μ=η，又根据线性假设η=θTx，所以μ=θTx=E(y|x)=h(x)，所以得到h是线性回归

2.2 Logistic回归

对于二分问题，根据前文所述，有，根据线性假设，有φ=hθ(x)，所以在二分问题中，h为logistic回归/sigmoid分布

2.3 Softmax回归

由二分问题演化，现在考虑k分问题，即y是离散的且。

分类问题要对每个类别有一个判决概率φi。注意到如果对与k个分类都有对应的概率的话，会出现冗余。因为如果知道k-1个概率的话，第k个可以从其补集求出。因此，我们定义k-1个概率，，且有，那么有，因此令。

我们队T(y)的定义如下

为一k-1维向量。

那么多项式分布可表示如下

所以多项式分布也属于指数分布族，且有

令，那么有

所以得到，将其带入到φi中有

上式将η映射到φi，此函数称为softmax函数

又根据线性假设，对于每个η有，同时令ηk=0，对求和式没有影响，那么有

综上所述，得到的预测函数h为：

这是对于前k-1个概率，那么φk可用补集的方法求出。

最后是对softmax回归的参数最优化，对其输入m个训练样本的对数似然函数易得如下

对此最大化可用牛顿法或梯度上升法等