11 从一些机器学习笔记中讨论了一些区分性分类方法,特别是逻辑回归,其中y是类标签(0或1),而x是数据,据说: 如果x|y=0∼Poisson(λ0)x|y=0∼Poisson(λ0),并且x|y=1∼Poisson(λ1)x|y=1∼Poisson(λ1),则p(y|x)p(y|x)将是逻辑对数。 为什么会这样呢? logistic poisson-distribution statistical-learning — 桑巴杰森 source
16 YY对于任何给定的X值,Y都有两个可能的值XX。根据这些假设, Pr(X=x|Y=0)=exp(−λ0)λx0x!Pr(X=x|Y=0)=exp(−λ0)λ0xx! 和 Pr(X=x|Y=1)=exp(−λ1)λx1x!.Pr(X=x|Y=1)=exp(−λ1)λ1xx!. 因此(这是贝叶斯定理的一个小例子),以为条件的的机会是后者的相对概率,即Y=1Y=1X=xX=x Pr(Y=1|X=x)=exp(−λ1)λx1x!exp(−λ1)λx1x!+exp(−λ0)λx0x!=11+exp(β0+β1x)Pr(Y=1|X=x)=exp(−λ1)λ1xx!exp(−λ1)λ1xx!+exp(−λ0)λ0xx!=11+exp(β0+β1x) 哪里 β0=λ1−λ0β0=λ1−λ0 和 β1=−log(λ1/λ0).β1=−log(λ1/λ0). 那确实是标准的逻辑回归模型。 — ub source