DalšíDalší průvodce
Předpoklady lineární regrese a analýza reziduí
Technický
Technický PRŮVODCE
Generovaný lineární model (GLM) propojuje prediktory s výsledkem prostřednictvím lineárního prediktoru, rozdělení odpovědi a spojovací funkce.
Poslechněte si tento návodAI-vyprávěný · ~3 min
Tento rámec zahrnuje běžnou lineární regresi, logistickou regresi a Poissonovu regresi změnou rodiny výstupu a mapování z průměru na prediktory.
A GLM has three connected pieces. The random component chooses a response distribution from an exponential-family model, such as Gaussian, binomial, Poisson or Gamma. The systematic component forms a linear predictor from the inputs, often written eta = X beta. The link function connects the expected response mu to that predictor through g(mu) = eta. The model remains linear in its coefficients on the link scale, even when the expected outcome itself is not a straight line in the predictors. With a Gaussian distribution and identity link, the conditional mean is the linear predictor, recovering the usual linear regression form. A binomial model with the logit link models log odds; applying the inverse logit gives a probability. A Poisson model with the log link models the logarithm of the expected count, so its predicted mean is positive. These links encode constraints and relationships suitable to different outcome types. For a hypothetical binary outcome, suppose a model's linear predictor is zero. The inverse logit maps zero to probability 0.5. If the linear predictor rises, the probability rises but remains below one. By contrast, an identity-link model could predict a binary response below zero or above one, which is why an ordinary Gaussian linear model may not suit that task. A GLM does not guarantee the selected family is correct; it makes the assumptions explicit so they can be assessed. The family determines a mean-variance relationship as well as support for the response. Poisson models commonly assume conditional variance equals the conditional mean, a condition that real count data may violate. A binomial model must reflect how trials and successes are represented. Link choices may be constrained by family and software implementation. Evaluate residuals or deviance diagnostics, uncertainty, calibration where relevant, and held-out performance. The GLM label does not mean that all outcome types share one error distribution or one interpretation of coefficients.
Analytik bydlení používá Gaussovu rodinu s identitní spojkou k modelování průměrné prodejní ceny; předpovězená podmíněná průměrná hodnota je samotný lineární prediktor.
Hypotetický servisní tým modeluje, zda je případ vyřešen během jednoho dne, pomocí binomické rodiny a logitové spojky. Lineární prediktor popisuje logaritmus šancí, který inverzní spojka převádí na pravděpodobnost mezi nulou a jedním.
Plánovač dopravy předpovídá nenegativní očekávané počty incidentů pomocí Poissonovy rodiny a logové spojky. Exponencování lineárního prediktoru dává kladný očekávaný počet, zatímco doba expozice může být reprezentována pomocí offsetu, pokud je to vhodné.
Výzkumník modeluje kladné, pravostranně zkosené náklady pomocí Gamma rodiny a vhodné spojky. Kontroluje, zda tato rodina odpovědi a struktura rozptylu odpovídají měřicímu procesu, místo aby si zvolil GLM pouze proto, že je cílem kladný.
Pracovní postupy GLM mohou být přehlednější, když zprávy zobrazují rodinu, spojku, jednotky odpovědi a interpretaci koeficientů společně. Analyti mohou porovnávat pravděpodobné rodiny na datech, která odpovídají zamýšlené populaci a rozhodnutí, přičemž kontrolují kalibraci nebo vzory reziduí vhodné pro výsledek. Když rozptyl počtu převyšuje předpoklady Poissonova modelu, může být vhodné zkoumat negativní binomický nebo jiný model. Jak se aplikace vyvíjejí, dokumentace by měla zachovávat offsety, váhy a předzpracování spolu s vyfitovanými koeficienty. Lepší nástroje mohou tyto kontroly usnadnit, ale volba rodiny zůstává rozhodnutím modelování zakotveným v tom, jak byly pozorování generována.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Generovaný lineární model (GLM) propojuje prediktory s výsledkem prostřednictvím lineárního prediktoru, rozdělení odpovědi a spojovací funkce. Tento rámec zahrnuje běžnou lineární regresi, logistickou regresi a Poissonovu regresi změnou rodiny výstupu a mapování z průměru na prediktory.
GLM kombinuje rodinu odpovědi, výraz prediktoru a spojku spojující průměr s tímto prediktorem.
Identitní spojka ponechává průměr na stejné škále jako lineární prediktor.
Logitová spojka převádí pravděpodobnost na logaritmus šancí; inverzní spojka ji převádí zpět na pravděpodobnost.
Inverze logové spojky je exponenciální funkce, jejíž hodnoty jsou kladné.
Rodina určuje rozdělovací chování, včetně vztahu mezi podmíněným průměrem a rozptylem.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Předpoklady lineární regrese a analýza reziduí
Technický