Tag: logistic-regression-glm
-
【AI 核心深度 M2-094】解释多项逻辑回归（softmax 回归）与它的参数辨识性问题（Multinomial Logistic Regression (Softmax Regression) and Parameter Identifiability）深度数理推导与工程落地解析
用 softmax 输出 K 类概率；K 组参数不可唯一辨识，需固定参照类或加约束。
-
【AI 核心深度 M2-095】解释逻辑回归与最大熵模型的关系（Relationship Between Logistic Regression and the Maximum Entropy Model）深度数理推导与工程落地解析
在给定特征期望约束下，最大熵解的形式恰是逻辑回归；两者是同一模型的不同推导路径。
-
【AI 核心深度 M2-006】写出逻辑回归的模型形式与损失函数。（Formulate Logistic Regression, Sigmoid Activation, and Binary Cross-Entropy Loss）深度数理推导与工程落地解析
sigmoid 输出概率，用交叉熵（对数似然）训练；是 GLM 中 Bernoulli + logit 链接。
-
【AI 核心深度 M2-007】解释 odds 与 log-odds，以及系数如何解释。（Explain Odds, Log-Odds (Logit), and the Exact Multiplicative Interpretation of Logistic Regression Coefficients）深度数理推导与工程落地解析
odds=p/(1-p)，logit 是 log-odds；系数表示特征每增 1 单位，log-odds 变化 β。
-
【AI 核心深度 M2-008】什么是广义线性模型（GLM）？它由哪三部分组成。（Define Generalized Linear Models (GLMs) and Detail Their Three Foundational Components）深度数理推导与工程落地解析
GLM = 随机成分（指数族分布）+ 系统成分（线性预测子）+ 链接函数。