指数分布族和广义线性模型

1.指数分布族

1.1 定义

  指数族分布 (The exponential family distribution),区别于指数分布（exponential distribution)。 指数分布族不是专指一种分布，而是一系列符合特征的分布的统称。 在概率统计中，若某概率分布满足下式，我们就称之属于指数族分布。
$$p(y;\theta )=b(y)exp\left(\eta (\theta )T(y)-A(\theta )\right)$$
其中，$\eta$是分布的自然参数(nature parameter)；$T(y)$是充分统计量(sufficient statistic)，通常$T(y)=y$。$a(\eta )$是 对数配分函数，$e^{-a(\eta )}$在式子中起到归一化作用，保证概率密度函数在随机变量$y$上的积分为1， 一旦$T、a、b$确定，就可以确定一种分布，$\eta$ 为参数。

常用的诸如正态分布，伯努利分布，指数分布，泊松分布，gamma分布都属于指数分布族。

1.2伯努利分布

伯努利分布的概率密度函数为：
$$\begin{array}{rl}p(y;\theta )& ={\theta }^y(1-\theta {)}^{1-y}\\ & =exp\left(y\log \theta +\left(1-y\right)\log \left(1-\theta \right)\right)\\ & =exp\left(\log \frac{\theta }{1-\theta }y+\log (1-\theta )\right)\end{array}$$
对应指数分布族的概率密度函数可以发现：
$$\begin{array}{rl}& b(y)=1\\ & \eta (\theta )=\log \frac{\theta }{1-\theta }\\ & T(y)=y\\ & A(\theta )=-log(1-\theta )=log(1+e^{\eta (\theta )})\end{array}$$

1.3 高斯分布

对于均值为$\mu$，方差为$\sigma$的高斯分布的概率密度函数为：
$$\begin{array}{rl}p(y;\mu ,\sigma )& =\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(y-\mu {)}^2}{2{\sigma }^2}}\\ & =\frac{1}{\sqrt{2\pi }}{e}^{\eta (\mu ,\sigma )T(y)-\log \sigma -\frac{{\mu }^2}{2{\sigma }^2}}\end{array}$$
对应指数分布族的概率密度函数可以发现:
$$\begin{array}{rl}& b(y)=\frac{1}{\sqrt{2\pi }}\\ & \eta (\sigma )=[\frac{\mu }{{\sigma }^2},-\frac{1}{2{\sigma }^2}]\\ & T(y)=[y,y^2]\\ & A(\theta )=\frac{{\mu }^2}{2{\sigma }^2}+\log \sigma \end{array}$$

1.4 其他指数分布族

• 多项式分布（multinomial），用来对多元分类问题进行建模；
• 泊松分布（Poisson），用来对计数过程进行建模，如网站的访客数量、商店的顾客数量等；
• 伽马分布（gamma）和指数分布（exponential），用来对时间间隔进行建模，如等车时间等；
• β分布（beta）和Dirichlet分布（Dirichlet），用于概率分布；
• Wishart分布（Wishart），用于协方差矩阵分布。

2.广义线性模型(GLM)

我们所熟知的 线性回归，逻辑回归都属于glm，其中线性回归假设服从高斯分布，逻辑回归假设服从伯努利分布，但是为什么要这样并不是非常清楚。

2.1 三个假设

• 在给定自变量$x$和参数$\theta$的情况下，因变量$y$服从指数分布族
• 给定$x$，最终目的是求出$T(y)$的期望$E[T(y)|x]$
• 自然参数$\eta$可以表示为自变量$x$的线性关系，即$\eta ={\theta }^{T}x$

广义线性模型通过拟合$y$的条件均值/期望(在$x$和参数$\theta$给定的情况下)，并假设$y$符合指数分布族中的某种分布，从而扩展了标准线性模型

2.2 伯努利分布

对于伯努利分布，$y$的均值为$\varphi$，就是指数分布族下的唯一参数。 根据上面的推导可得：
$$\begin{array}{rl}\eta & =\log \frac{\varphi }{1-\varphi }\\ & ={\theta }^{T}x\end{array}$$
推导出：
$$\begin{array}{rl}y& =\frac{1}{1+e^{-\eta }}\\ & =\frac{1}{1+e^{-{\theta }^{T}x}}\end{array}$$
上式就是逻辑回归的表达式，对应与逻辑回归下y作伯努利分布的假设。

2.3 高斯分布

对于高斯分布，$y$的均值为参数$\mu$， 根据上面的推导可得：
$$y=\mu =\eta ={\theta }^{T}x(假设\sigma =1)$$
上式和线性回归对于$y$作高斯分布的假设相呼应

3.GLM建模过程

• 根据问题在指数分布族中选择一种分布作为对$y$的假设
• 计算该分布下的$\eta$，实际上$\eta =\eta (w^T)$，其中$w^T$为该分布的真实参数，而$\eta$只是以$w^T$为参数的一个link function
• 计算该分布的期望，将其用$\eta$表示，例如上面伯努利分布时的$y=\varphi =\frac{1}{1+e^{-\eta }}$
• 根据GLM的假设替换$\eta ={\theta }^{T}x$即得到GLM模型

4.总结

• 指数族分布的形式：$p(y;\theta )=b(y)exp\left(\eta (\theta )T(y)-A(\theta )\right)$
• 常用的诸如正态分布，伯努利分布，指数分布，泊松分布，gamma分布都属于指数分布族。
• 广义线性模型通过拟合$y$的条件均值/期望(在$x$和参数$\theta$给定的情况下)，并假设$y$符合指数分布族中的某种分布，从而扩展了标准线性模型。

本文仅作为个人学习记录使用, 不用于商业用途, 谢谢您的理解合作。

参考：https://shangzhih.github.io/zhi-shu-fen-bu-zu-he-yan-yi-xian-xing-hui-gui.html