线性回归和逻辑回归的 MLE 视角
线性回归
令 \(z = w^T x + b\),得到:
\(y = z + \epsilon, \, \epsilon \sim N(0, \sigma^2)\)
于是:
\(y|x \sim N(z, \sigma^2)\)
为啥是 \(y|x\),因为判别模型的输出只能是 \(y|x\)。
它的概率密度函数:
\(f_{Y|X}(y)=\frac{1}{\sqrt{2 \pi} \sigma} \exp(\frac{-(y -z)^2}{2\sigma^2}) \\ = A \exp(-B (y - z)^2), \, A, B > 0\)
计算损失函数:
\(L = -\sum_i \log f_{Y|X}(y^{(i)}) \\ = -\sum_i(\log A - B(y^{(i)} - z^{(i)})^2) \\ = B \sum_i(y^{(i)} - z^{(i)})^2 + C\)
所以 \(\min L\) 就相当于 \(\min (y^{(i)} - z^{(i)})^2\)。结果和最小二乘是一样的。
逻辑回归
令 \(z = w^T x + b, a = \sigma(z)\),我们观察到在假设中:
\(P(y=1|x) = a \\ P(y=0|x) = 1 - a\)
也就是说:
\(y|x \sim B(1, a)\)
其实任何二分类器的输出都是伯努利分布。因为变量只能取两个值,加起来得一,所以只有一种分布。
它的概率质量函数(因为是离散分布,只有概率质量函数,不过无所谓):
\(p_{Y|X}(y) = a^y(1-a)^{1-y}\)
然后计算损失函数:
\(L = -\sum_i \log p_{Y|X}(y^{(i)}) \\ = -\sum_i(y^{(i)} \log a^{(i)} + (1-y^{(i)})\log(1-a^{(i)}))\)
和交叉熵是一致的。
可以看出,在线性回归的场景下,MLE 等价于最小二乘,在逻辑回归的场景下,MLE 等价于交叉熵。但不一定 MLE 在所有模型中都是这样。