Logit 分布 - 二元分类概率模型 | 机器学习

Logit 分布是一种概率分布，通常用于建模二元分类问题中的概率。它是一种特殊的 sigmoid 函数，它将实数域映射到 (0, 1) 区间。Logit 分布的概率密度函数 (PDF) 可以表示为：\n\nf(x; μ, σ) = (1 / (σ * sqrt(2π))) * exp(-(ln(x / (1 - x)) - μ)^2 / (2 * σ^2))\n\n其中，μ 是分布的均值，σ 是分布的标准差。\n\nLogit 分布是二项分布的连续近似，它通常用于逻辑回归等机器学习算法中，用于建模分类问题中的概率。在逻辑回归中，将输入变量通过一个线性函数映射到 (0, 1) 区间后，再使用 Logit 分布获得分类的概率。\n\nLogit 分布的累积分布函数 (CDF) 可以用 sigmoid 函数表示：\n\nF(x; μ, σ) = 1 / (1 + exp(-(ln(x / (1 - x)) - μ) / σ))\n\nLogit 分布具有一些重要的性质，比如它的均值为 μ，方差为 σ^2 * π^2 / 3。此外，由于其对数几率函数的形式，Logit 分布可以用于表示二项分布的对数几率。\n\n需要注意的是，在实际应用中，Logit 分布通常是通过对分类器的输出进行逆变换得到的，而不是直接对原始数据进行建模。