深度学习6一般线性模型
2013-05-19 00:18
288 查看
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。
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。
相关文章推荐
- 深度学习6一般线性模型
- 深度学习笔记——深度学习框架TensorFlow(五)[TensorFlow大规模线性模型教程]
- 深度学习基础模型算法原理及编程实现--02.线性单元
- 深度学习模型各层参数数目对于性能的影响
- TensorFlow 深度学习框架(6)-- mnist 数字识别及不同模型效果比较
- 深度学习之六,基于RNN(GRU,LSTM)的语言模型分析与theano代码实现
- 深度学习基础模型算法原理及编程实现--05.卷积神经网络
- 深度学习笔记(六):Encoder-Decoder模型和Attention模型
- 深度学习-CAFFE利用CIFAR10网络模型训练自己的图像数据获得模型-3结合caffe中的CIFAR10修改相关配置文件并训练
- ufldl 深度学习入门 第5发 线性解码器
- 深度学习与自然语言处理之四:卷积神经网络模型(CNN)
- TensorFlow 深度学习框架(7)-- 变量管理及训练模型的保存与加载
- 斯坦福李飞飞-深度学习与计算机视觉 数据驱动的图像分类方式:K最近邻与线性分类器
- 深度学习实战——caffe windows 下训练自己的网络模型
- 【腾讯TMQ】米少熬好粥——数据有限时怎样调优深度学习模型
- 深度学习网络模型训练中loss为nans的总结
- TensorFlow 深度学习框架(9)-- 经典卷积网络模型 : LeNet-5 模型 & Inception-v3 模型
- TensorFlow 深度学习框架(9)-- 经典卷积网络模型 : LeNet-5 模型 & Inception-v3 模型
- 深度学习之基础模型---AlexNet
- 深度学习论文随记(二)---VGGNet模型解读-2014年(Very Deep Convolutional Networks for Large-Scale Image Recognition)