ДалееСледующее руководство
Предположения линейной регрессии и остаточный анализ
Технический
Техническое РУКОВОДСТВО
Обобщенная линейная модель (GLM) связывает предикторы с результатом через линейный предиктор, распределение ответа и функцию связи.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Эта структура охватывает обычную линейную регрессию, логистическую регрессию и регрессию Пуассона путем изменения семейства результатов и сопоставления среднего значения с предикторами.
GLM состоит из трех соединенных частей. Случайный компонент выбирает распределение ответа из модели экспоненциального семейства, такой как гауссово, биномиальное, пуассоновское или гамма. Систематический компонент формирует линейный предиктор на основе входных данных, часто записываемых eta = X beta. Функция связи связывает ожидаемый ответ mu с этим предиктором через g(mu) = eta. Модель остается линейной по своим коэффициентам по шкале связей, даже если сам ожидаемый результат не является прямой линией в предикторах. При гауссовском распределении и тождественной связи условное среднее является линейным предиктором, восстанавливающим обычную форму линейной регрессии. Биномиальная модель с логит-связью моделирует шансы журнала; применение обратного логита дает вероятность. Модель Пуассона с логарифмической связью моделирует логарифм ожидаемого количества, поэтому ее прогнозируемое среднее значение является положительным. Эти связи кодируют ограничения и отношения, подходящие для разных типов результатов. Предположим, что для гипотетического двоичного результата линейный предиктор модели равен нулю. Обратный логит сопоставляет ноль с вероятностью 0,5. Если линейный предиктор увеличивается, вероятность увеличивается, но остается ниже единицы. Напротив, модель тождественной связи может предсказать двоичный отклик ниже нуля или выше единицы, поэтому обычная линейная гауссовая модель может не подойти для этой задачи. GLM не гарантирует правильность выбранного семейства; он делает предположения явными, чтобы их можно было оценить. Семья определяет соотношение средней дисперсии, а также поддержку ответа. Модели Пуассона обычно предполагают, что условная дисперсия равна условному среднему значению, и это условие может нарушаться данными реального подсчета. Биномиальная модель должна отражать то, как представлены испытания и успехи. Выбор ссылок может быть ограничен семейством и реализацией программного обеспечения. Оцените диагностику остатков или отклонений, неопределенность, калибровку, где это необходимо, и задержку производительности. Метка GLM не означает, что все типы результатов имеют одно распределение ошибок или одну интерпретацию коэффициентов.
Аналитик жилищного строительства использует гауссово семейство с тождественной связью для моделирования средней цены продажи; предсказанное условное среднее является самим линейным предиктором.
Гипотетическая сервисная группа моделирует, будет ли дело решено за один день, с помощью биномиального семейства и логит-ссылки. Линейный предиктор описывает логарифмические шансы, которые обратная связь отображает в вероятность между нулем и единицей.
Планировщик транзита прогнозирует неотрицательное ожидаемое количество инцидентов с помощью семейства Пуассона и ссылки на журнал. Возведение в степень линейного предиктора дает положительный ожидаемый результат, а время воздействия при необходимости может быть представлено через смещение.
Исследователь моделирует положительные, смещенные вправо затраты, используя семейство Гамма и подходящую ссылку. Они проверяют, соответствуют ли это семейство ответов и структура дисперсии процессу измерения, а не выбирают GLM исключительно потому, что целевой показатель положителен.
Рабочие процессы GLM могут стать более понятными, когда в отчетах вместе отображаются семейство, связь, единицы ответа и интерпретация коэффициентов. Аналитики могут сравнивать правдоподобные семейства на данных, которые соответствуют предполагаемой совокупности и решению, одновременно проверяя калибровку или остаточные закономерности, соответствующие результату. Когда дисперсия подсчета превышает предположения модели Пуассона, исследования может заслуживать отрицательно-биномиальная или другая модель. По мере развития приложений документация должна сохранять смещения, веса и предварительную обработку наряду с подобранными коэффициентами. Более совершенные инструменты могут помочь в этих проверках, но выбор семейства остается решением моделирования, основанным на том, как были получены наблюдения.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Обобщенная линейная модель (GLM) связывает предикторы с результатом через линейный предиктор, распределение ответа и функцию связи. Эта структура охватывает обычную линейную регрессию, логистическую регрессию и регрессию Пуассона путем изменения семейства результатов и сопоставления среднего значения с предикторами.
GLM объединяет семейство ответов, выражение-предиктор и ссылку, соединяющую среднее значение с этим предиктором.
Тождественная связь оставляет среднее значение в том же масштабе, что и линейный предиктор.
Логит-ссылка отображает вероятность для регистрации шансов; обратная связь соответствует вероятности.
Обратной связью журнала является экспоненциальная функция, значения которой положительны.
Семья определяет поведение распределения, включая взаимосвязь между условным средним и дисперсией.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Предположения линейной регрессии и остаточный анализ
Технический