logit与probit

在将linear model转化到概率预估上时，其实要做的主要事情，就是将预估值域从正负无穷映射到[0,1]，并且当y接近负无穷时，预估接近0，接近正无穷时预估接近1

复合这个模式的函数：
1、 sigmoid function（logit）
由log-odds推导出：y=log \frac{p}{1-p}则反函数：p=\frac{e^y}{1+e^y}
2、正太分布的cdf（probit）
x \sim N(\mu,\sigma^2)则：
概率密度函数：f(x)=\frac 1 {\sigma\sqrt{2\pi}} exp{(-\frac{(x-\mu)^2}{\sigma^2})}
概率累积函数：F(x)=\frac 1 {\sigma\sqrt{2\pi}} \int_{-\infty}^{x}exp{(-\frac{(x-\mu)^2}{\sigma^2})}

©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

推荐阅读更多精彩内容