我已经在Standford的在线讲座中学习机器学习了几天，在讲座4中，讲师介绍了GLM（广义线性模型）和指数族。
x，y，p分别代表特征，结果被预测，分布参数。
他总结说，如果我们假设P（y | x; p）是指数族，如果问题是二项分类问题，即y∈{0,1}，则P（1 | x; p ）是后勤功能。
我对数学部分没问题，但是当我们假设P（y | x; p）处于指数族时，我不知道它是什么意思，条件是什么实际上这个假设是真的吗？
我知道中心极限理论，它说的是一个随机变量 其他独立随机变量的总和将近似于高斯分布，是否与我的问题有关？
答案 0 :(得分：0)
指数分布族包括概率密度（或概率质量）函数可以根据f（x | T）= h（x）c（T）exp（sum（w_i（T）t_i）表示的所有概率分布（x）））对于变量x和参数矢量T，每个w_i只是参数的函数，每个t_i只是数据的函数。对我们来说，形式本身可能并不重要。
指数族包括相当多的规范概率分布：正态，指数，伽马，卡方，β，Dirichlet，伯努利，分类，泊松，威斯哈特和反威斯哈特。因此，它实际上是一种非常适合各种数据流程的表单。
那么为什么要把它作为一个模型假设呢？事实证明，指数族有一大堆很好的数学性质，毫无疑问，这些属性都是你所使用的模型所采用的。因此，简而言之，假设指数族很可能只是一个数学假设，使数学可行。好消息是，这不是一个非常严格的假设。