今天我来介绍一种在机器学习中应用的比较多的模型，叫做广义线性模型（GLM）。这种模型是把自变量的线性预测
函数当作因变量的估计值。在机器学习中，有很多模型都是基于广义线性模型的，比如传统的线性回归模型，最大熵
模型，Logistic回归，softmax回归，等等。今天主要来学习如何来针对某类型的分布建立相应的广义线性模型。
Contents
1. 广义线性模型的认识
2. 常见概率分布的认识
1. 广义线性模型的认识
首先，广义线性模型是基于指数分布族的，而指数分布族的原型如下
其中
为自然参数，它可能是一个向量，而
叫做充分统计量，也可能是一个向量，通常来说
。
实际上线性最小二乘回归和Logistic回归都是广义线性模型的一个特例。当随机变量
服从高斯分布，那么 得到的是线性最小二乘回归，当随机变量
服从伯努利分布，则得到的是Logistic回归。
那么如何根据指数分布族来构建广义线性模型呢？ 首先以如下三个假设为基础
（1）给定特征属性
和参数
后，
的条件概率
服从指数分布族，即
。 （2）预测
的期望，即计算
。 （3）
与
之间是线性的，即
。
在讲解利用广义线性模型推导最小二乘和Logistic回归之前，先来认识一些常见的分布，这是后面的基础。
2. 常见概率分布的认识
（1）高斯分布
关于高斯分布的内容我就不再多讲了，如果把它看成指数分布族，那么有
对比一下指数分布族，可以发现
所以高斯分布实际上也是属于指数分布族，线性最小二乘就是基于高斯分布的。
（2）伯努利分布
伯努利分布又叫做两点分布或者0-1分布，是一个离散型概率分布，若伯努利实验成功，则伯努利随机变
量取值为1，如果失败，则伯努利随机变量取值为0。并记成功的概率为
，那么失败的概率就是
，
所以得到其概率密度函数为
如果把伯努利分布写成指数分布族，形式如下
对比指数分布族，有
Logistic回归就是基于伯努利分布的，之前的Sigmoid函数，现在我们就可以知道它是如何来的了。如下
如果
那么
叫做正则响应函数，而
叫做正则关联函数。
（3）泊松分布
泊松分布是一种离散型概率分布，其随机变量
只能取非负整数值0，1，2，... 且其概率密度函数为
其中参数
是泊松分布的均值，也是泊松分布的方差，表示单位时间内随机事件的平均发生率。在实际
的实例中，近似服从泊松分布的事件有：某电话交换台收到的呼叫，某个网站的点击量，来到某个公共
汽车站的乘客，某放射性物质发射出的粒子，显微镜下某区域内的白血球等计数问题。
泊松分布的内容：http://zh.wikipedia.org/wiki/%E6%B3%8A%E6%9D%BE%E5%88%86%E4%BD%88
关于概率论中的分布主要介绍这几个，其中还有很多分布都属于指数分布族，比如伽马分布，指数分布，多
元高斯分布，Beta分布，Dirichlet分布，Wishart分布等等。根据这些分布的概率密度函数可以建立相
应的模型，这些都是广义线性模型的一个实例。
