常见的广义线性模型有：probit模型、poisson模型、对数线性模型等等。对数线性模型里有：logistic regression、Maxinum entropy。
在二分类问题中，为什么弃用传统的线性回归模型，改用逻辑斯蒂回归？
线性回归用于二分类时，首先想到下面这种形式，p是属于类别的概率：
但是这时存在的问题是：
1、等式两边的取值范围不同，右边是负无穷到正无穷，左边是[0,1]
2、实际中的很多问题，都是当x很小或很大时，对于因变量P的影响很小，当x达到中间某个阈值时，影响很大。即实际中很多问题，概率P与自变量并不是直线关系。
逻辑回归模型的求解过程？ ==> 目标函数(损失函数)的推导过程
逻辑回归中，Y服从二项分布，误差服从二项分布，而非高斯分布，所以不能用最小二乘进行模型参数估计，可以用极大似然估计来进行参数估计。
预测函数：
似然函数：这里负类的label为0，如果负类的label为-1的话，将$y_i$ 变为$(1+y_i) / 2$,将$1 - y_i$变为$(1-y_i) / 2$,带入下列似然函数即可
对数似然函数，优化目标函数如下：
逻辑回归有两种形式： 整理在一起
为什么我们在实际中，经典线性模型的优化目标函数是最小二乘，而逻辑回归则是似然函数？
1） 经典线性模型的满足下面等式：
这里有个假设，即最后这个误差扰动项独立同分布于均值为0的正态分布，即：
从而：
由于有上面的假设，从而就有下面的似然函数：
从而这线性回归的问题就可转化为最大化下面的对数似然估计，由于下面公式前面的项是常数，所以这个问题等价于最小化下面等式中的最后一项，即least mean squares。
2）逻辑斯蒂回归中，因变量y不再是连续的变量，而是二值的{0,1}，中间用到logit变换，将连续性的y值通过此变换映射到比较合理的0~1区间。在广义线性回归用于分类问题中，也有一个假设（对应于上面回归问题中误差项独立同分布于正态分布），其中h(x)是logistic function
即，给定x和参数，y服从二项分布，上面回归问题中，给定x和参数，y服从正态分布。从而
问题不同（一个是分类、一个是回归）对应假设也就不同，决定了logistic regression问题最优化目标函数是上面这项，而非回归问题中的均方误差LMS。
