在各种算法相关的paper中,经常看到指数分布族这个概念。博主作为一个好奇心很强喜欢打破砂锅问到底的人,看到一个东西老在眼前晃来晃去却又似懂非懂,心里非常难受,于是想好好了解一下这个指数分布族到底是个什么鬼。。。
指数分布族是指可以表示为指数形式的概率分布。wiki上的定义如下:
A single-parameter exponential family is a set of probability distributions whose probability density function (or probability mass function, for the case of a discrete distribution) can be expressed in the form
其中,为自然参数(nature parameter),是充分统计量(sufficient statistic)。当参数A,h,T都固定以后,就定义了一个以为参数的函数族。
伯努利分布是对0,1分布的问题进行建模。对于,其概率密度函数如下:
将其华为指数分布族的形式:
将上面转化以后的表达式与指数分布族对比,可以看出:
由此可见,伯努利分布也是指数分布族的一种。细心的小伙伴发现了,的形式与logistic函数的形式一致。(logistic函数的详解请参考 http://blog.csdn.net/bitcarmanlee/article/details/51154481)。这是因为 logistic模型对问题的前置概率估计其实就是伯努利分布。(貌似没有特别理解,以后再来慢慢琢磨)
关于高斯分布的来龙去脉,足足可以写厚厚一本书。后面有时间回来详细整理高斯分布的相关资料。
关于高斯分布的详细推导过程如下(为了方便起见,将方差设为1):
将其与指数分布族对比,可知:
伯努利分布与高斯分布是两个典型的指数分布族
通过上面两个例子我们可以看出,在伯努利的指数分布族形式中, 与伯努利分布中的参数是一个logistic函数。而在高斯分布的指数分布族形式中,是与相等的一个 表达式 (前提是我们假设了)。通过以上的例子,以不同的映射函数与其它概率分布函数中的参数发生联系,从而得到不同的模型,广义线性模型正是将指数分布族中的所有成员(每个成员正好有一个这样的联系)都作为线性模型的扩展,通过各种非线性的连接函数将线性函数映射到其他空间,从而大大扩大了线性模型可解决的问题。
下面我们看 GLM 的形式化定义,GLM 有三个假设:
(1) 给定样本与参数,样本分类 服从指数分布族中的某个分布;
(2) 给定一个,我们需要的目标函数为;
(3)。
根据伯努利分布推导logistic模型的过程如下:
总之,广义线性模型通过拟合响应变量的条件均值的一个函数(不是响应变量的条件均值),并假设响应变量服从指数分布族中的某个分布(不限于正态分布),从而极大地扩展了标准线性模型。模型参数估计的推导依据是极大似然估计,而非最小二乘法。
本博文主要参考了以下内容,感谢大牛们的无私分享:
http://www.aliog.com/83492.html
联系客服