【回归算法】广义线性模型(GLM)详解

详解各种LLM系列|(4)GLM(GPT国内最强开源平替)模型架构、预训练技术详解 本文就GLM的基础构架和预训练方式,深入浅出地分析GLM为何实现如此出众的效果。 阅读详情

广义线性模型(GLM)详解

前言

回归算法是机器学习中预测连续数值的核心工具,比如预测房价、气温、产品销量等,而线性回归是最基础的回归模型,核心用线性公式 y=ax+by=ax+by=ax+b 描述输入和输出的关系。

但现实场景的预测问题远更复杂:

  • 想预测某人患病的概率(0~1之间的数值)
  • 想预测商店一天卖出汉堡的个数(非负整数)
  • 想预测医疗费用(非负、右偏的连续值)

这些场景中,输出不再是简单的线性连续值,普通线性回归无法处理,而广义线性模型(Generalized Linear Model, GLM) 作为线性回归的通用扩展形式,完美解决了这类问题,是本科、研究生阶段必学的经典统计建模方法。

本文将从核心概念、数学原理、算法流程、实战案例、算法对比五个维度,用通俗易懂的语言讲解GLM,同时附带可直接运行的Python代码。

一、广义线性模型(GLM)核心认知

1. GLM的核心定义

GLM是对普通线性回归的扩展,打破了线性回归的两大限制,使其能处理输出非连续、输入输出非线性的预测问题,核心思想是:通过「链接函数」将线性预测结果与不同分布类型的输出变量关联起来。

2. GLM相比线性回归的「广义」之处

普通线性回归的两个强约束:

  1. 输出变量y必须是连续数值,且服从正态分布;
  2. 输入和输出之间必须是直接的线性关系。

GLM对这两个约束做了松绑:

  1. 输出类型无限制:输出可以是概率(0~1)、整数计数、非负右偏值等,只需满足指数分布族即可;
  2. 引入链接函数:不直接让输入的线性组合作为输出,而是通过链接函数对线性结果做变换,适配输出变量的分布特性。

3. GLM的两个经典应用案例

GLM的具体形式由输出分布和链接函数决定,以下两个是本科/研究生阶段最常接触的GLM特例,也是工业界的常用模型:

(1)逻辑回归(Logistic Regression)
  • 适用场景:二分类问题(预测结果为0/1,如是否购买、是否患病)
  • 输出:0~1之间的概率值
  • 输出分布:伯努利分布(0-1分布)
  • 链接函数:logit函数(S型曲线,将线性结果映射到0~1区间)
  • 注意:虽然名字带「回归」,但本质是分类算法,属于GLM的特例。
(2)泊松回归(Poisson Regression)
  • 适用场景:计数型预测问题(输出为非负整数,如一分钟电话呼入次数、每天商品销量)
  • 输出:非负整数
  • 输出分布:泊松分布
  • 链接函数:对数函数(log),避免预测结果为负数。

二、GLM的数学原理(本科/研究生易懂版)

GLM的数学模型由三大部分组成,这是理解GLM的核心,也是本科/研究生课程的考点,三个部分相互关联,缺一不可。

1. GLM的三大核心组件

(1)随机成分(Random Component)
  • 含义:响应变量(因变量)YYY的概率分布;
  • 核心要求:YYY必须属于指数分布族(这是GLM的基本前提);
  • 作用:明确输出变量的分布特性,让模型贴合实际数据的规律。
(2)系统成分(Systematic Component)
  • 含义:自变量(特征)的线性组合,也叫线性预测函数;
  • 数学形式:η=β0+β1x1+β2x2+⋯+βpxp=xTβ\eta=\beta_{0}+\beta_{1} x_{1}+\beta_{2} x_{2}+\cdots+\beta_{p} x_{p}=x^{T} \betaη=β0​+β1​x1​+β2​x2​+⋯+βp​xp​=xTβ
  • 符号说明:
    • η\etaη:线性预测值(并非模型最终输出,需经链接函数变换);
    • xxx:输入特征向量(含所有自变量);
    • β\betaβ:待学习的权重参数向量(模型需要求解的核心);
  • 作用:保留线性模型的简洁性和可解释性,这是GLM相比纯非线性模型的优势。
(3)链接函数(Link Function)
  • 含义:连接线性预测值η\etaη和响应变量的期望值μ=E[Y]\mu=E[Y]μ=E[Y]的函数;
  • 数学形式:g(μ)=η⇔μ=g−1(η)g(\mu)=\eta \Leftrightarrow \mu=g^{-1}(\eta)g(μ)=η⇔μ=g−1(η)
  • 符号说明:
    • g(⋅)g(\cdot)g(⋅):链接函数(正向变换,将输出期望映射为线性值);
    • g−1(⋅)g^{-1}(\cdot)g−1(⋅):链接函数的逆函数(反向变换,将线性值映射为符合输出分布的期望);
  • 作用:架起线性预测和非线输出的桥梁,让线性模型能适配不同分布的输出变量。

2. GLM的整体数学形式

将三大组件结合,GLM的完整数学表达为:
Y∼指数分布族,g(E[Y])=xTβY \sim \text{指数分布族}, \quad g(E[Y])=x^T\betaY∼指数分布族,g(E[Y])=xTβ
一句话总结:响应变量服从指数分布族,且其期望值的链接函数等于自变量的线性组合。

3. 指数分布族(Exponential Family)

GLM对输出分布的唯一要求是「属于指数分布族」,其通用数学形式为:
fY(y;θ,ϕ)=exp(yθ−b(θ)ϕ+c(y,ϕ))f_{Y}(y ; \theta, \phi)=exp \left(\frac{y \theta-b(\theta)}{\phi}+c(y, \phi)\right)fY​(y;θ,ϕ)=exp(ϕyθ−b(θ)​+c(y,ϕ))

  • 符号说明:
    • θ\thetaθ:自然参数(核心参数,与输出期望μ\muμ一一对应);
    • ϕ\phiϕ:尺度参数(如方差、标准差的平方,用于控制分布的离散程度);
    • b(θ)b(\theta)b(θ):规范函数(保证分布的正则性,即概率和为1/积分值为1);
    • c(y,ϕ)c(y, \phi)c(y,ϕ):仅与(y)和(\phi)相关的函数,与核心参数(\theta)无关。
本科/研究生必记的4类指数分布族(附链接函数)

这4类是GLM最常用的分布,对应不同的业务场景,直接整理为表格,方便记忆和使用:

分布类型链接函数g(μ)g(\mu)g(μ)对应GLM模型适用场景
正态分布恒等函数g(μ)=μg(\mu)=\mug(μ)=μ普通线性回归输出为连续正态分布(如身高、体重)
伯努利分布Logit函数g(μ)=ln(μ1−μ)g(\mu)=ln(\frac{\mu}{1-\mu})g(μ)=ln(1−μμ​)逻辑回归二分类问题(输出0/1概率)
泊松分布对数函数g(μ)=ln(μ)g(\mu)=ln(\mu)g(μ)=ln(μ)泊松回归计数型预测(输出非负整数)
伽马分布倒数函数g(μ)=1μg(\mu)=\frac{1}{\mu}g(μ)=μ1​伽马回归非负右偏连续值(如医疗费用、索赔金额)

4. GLM的参数求解:极大似然估计(MLE)

GLM的参数β\betaβ通过极大似然估计(Maximum Likelihood Estimation, MLE)求解,核心思想是:找到一组参数β\betaβ,让观测到当前数据的概率最大。

(1)似然函数与对数似然函数

给定n个独立样本(xi,yi)(x_i, y_i)(xi​,yi​),且yiy_iyi​服从指数分布族,则联合似然函数为:
L(β)=∏i=1nf(yi;θi,ϕ)L(\beta)=\prod_{i=1}^{n} f\left(y_{i} ; \theta_{i}, \phi\right)L(β)=∏i=1n​f(yi​;θi​,ϕ)
由于连乘计算复杂,取对数转化为对数似然函数(连乘变连加,不改变极值点):
ℓ(β)=∑i=1n[yiθi−b(θi)ϕ+c(yi,ϕ)]\ell(\beta)=\sum_{i=1}^{n}\left[\frac{y_{i} \theta_{i}-b\left(\theta_{i}\right)}{\phi}+c\left(y_{i}, \phi\right)\right]ℓ(β)=∑i=1n​[ϕyi​θi​−b(θi​)​+c(yi​,ϕ)]

关键关联:θi\theta_iθi​(自然参数)是μi=E[Yi]\mu_i=E[Y_i]μi​=E[Yi​]的函数,而μi=g−1(ηi)\mu_i=g^{-1}(\eta_i)μi​=g−1(ηi​),ηi=xiTβ\eta_i=x_i^T\betaηi​=xiT​β,因此对数似然函数最终是参数(\beta)的函数。

(2)求解思路:迭代加权最小二乘法(IRLS)

对对数似然函数求导并令其为0,可得到参数β\betaβ的解析解,但多数情况下(如逻辑回归、泊松回归)解析解难以直接求解,因此GLM通常使用迭代加权最小二乘法(Iteratively Reweighted Least Squares, IRLS) 进行数值逼近求解,这是本科/研究生需要理解的核心算法流程。

三、GLM的核心算法流程:IRLS迭代加权最小二乘法

IRLS的核心思想是:将非线性的GLM求解问题,转化为一系列加权线性回归的迭代问题,通过不断迭代更新参数β\betaβ,直到参数收敛(前后变化极小)。

以下是IRLS的详细步骤,步骤清晰且可落地,适配本科/研究生的理解难度:

步骤1:参数初始化

设定参数β\betaβ的初始值β(0)\beta^{(0)}β(0),一般设为全0向量(简单且易收敛)。

步骤2:计算各类中间变量

对每个样本iii,依次计算以下变量(核心是「工作变量」和「加权矩阵」):

  1. 线性预测值:ηi=xiTβ\eta_{i}=x_{i}^{T} \betaηi​=xiT​β
  2. 输出期望:μi=g−1(ηi)\mu_{i}=g^{-1}(\eta_{i})μi​=g−1(ηi​)(链接函数的逆变换)
  3. 工作变量(伪响应变量):zi=ηi+yi−μidμidηiz_{i}=\eta_{i}+\frac{y_{i}-\mu_{i}}{\frac{d \mu_{i}}{d \eta_{i}}}zi​=ηi​+dηi​dμi​​yi​−μi​​
    (dμidηi\frac{d \mu_{i}}{d \eta_{i}}dηi​dμi​​是μi\mu_iμi​对ηi\eta_iηi​的一阶导数,由链接函数决定)
  4. 权重系数:Wi=(dμidηi)2/Var(Yi)W_{i}=(\frac{d \mu_{i}}{d \eta_{i}})^{2} / Var(Y_{i})Wi​=(dηi​dμi​​)2/Var(Yi​)
    (Var(Yi)Var(Y_i)Var(Yi​)是响应变量的方差,由其分布决定)
  5. 加权矩阵W:对角矩阵,主对角线元素为每个样本的WiW_iWi​,非对角线元素为0。

步骤3:拟合加权最小二乘,更新参数

用加权最小二乘法求解新的参数β(t+1)\beta^{(t+1)}β(t+1),更新公式为:
β(t+1)=(XTWX)−1XTWz\beta^{(t+1)}=\left(X^{T} W X\right)^{-1} X^{T} W zβ(t+1)=(XTWX)−1XTWz

  • 符号说明:
    • X:设计矩阵(每行对应一个样本的特征向量);
    • z:工作变量向量(由所有样本的(z_i)组成);
    • W:步骤2得到的加权对角矩阵。

步骤4:迭代收敛

重复步骤2~步骤3,直到参数β\betaβ满足收敛条件(如前后两次参数的差值的绝对值小于阈值10−610^{-6}10−6),此时的β\betaβ即为GLM的最优参数。

四、GLM实战案例:预测医疗保险费用(Python可直接运行)

案例背景

某保险公司希望根据被保险人的年龄、性别、BMI、是否吸烟、子女数、居住地区等特征,预测其年度医疗保险费用。

  • 问题难点:医疗费用是非负、右偏的连续值,不满足普通线性回归的正态分布假设,因此选用GLM(伽马分布+对数链接函数)建模;
  • 数据集:经典的Medical Cost Personal Dataset(开源可直接读取);
  • 工具:Python + pandas + statsmodels(统计建模专用,适合GLM实现)+ seaborn(可视化)。

完整代码(优快云可直接复制,注释详细)

# 导入所需库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import statsmodels.api as sm
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 全局设置:解决中文显示问题 + 可视化风格
plt.rcParams['font.sans-serif'] = ['SimHei']  # 中文显示
plt.rcParams['axes.unicode_minus'] = False    # 负号显示
sns.set_style('whitegrid')
sns.set_palette("Set1")

# 1. 读取开源数据集(无需本地文件,直接在线读取)
df = pd.read_csv("https://raw.githubusercontent.com/stedy/Machine-Learning-with-R-datasets/master/insurance.csv")

# 2. 数据预览与基本信息
print("数据集前5行:")
print(df.head())
print("\n数据集基本信息:")
print(df.info())
print("\n数据集描述性统计:")
print(df.describe())

# 3. 数据预处理
# 3.1 类别变量独热编码(sex/smoker/region),drop_first=True避免多重共线性
df_encoded = pd.get_dummies(df, drop_first=True)
# 3.2 划分特征(X)和目标变量(y)
X = df_encoded.drop("charges", axis=1)  # charges:年度医疗费用(目标)
y = df_encoded["charges"]
# 3.3 划分训练集(80%)和测试集(20%)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 3.4 特征标准化(提高GLM训练的稳定性,避免量纲影响)
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 4. 构建GLM模型:伽马分布 + 对数链接函数(适配非负右偏的医疗费用)
# 4.1 为训练集添加常数项(statsmodels建模需要)
X_train_const = sm.add_constant(X_train_scaled)
# 4.2 定义GLM模型
glm_gamma = sm.GLM(
    endog=y_train,          # 目标变量
    exog=X_train_const,     # 特征(含常数项)
    family=sm.families.Gamma(link=sm.families.links.log())  # 分布+链接函数
)
# 4.3 训练模型(IRLS算法自动求解)
result = glm_gamma.fit()
# 4.4 输出模型结果摘要(含参数、显著性、拟合指标)
print("\nGLM模型训练结果摘要:")
print(result.summary())

# 5. 模型预测
X_test_const = sm.add_constant(X_test_scaled)  # 测试集添加常数项
y_pred = result.predict(X_test_const)          # 预测医疗费用
# 输出测试集前10个真实值和预测值
pred_df = pd.DataFrame({"真实值": y_test.values[:10], "预测值": y_pred[:10].round(2)})
print("\n测试集前10个真实值vs预测值:")
print(pred_df)

# 6. 数据可视化分析(核心规律)
# 6.1 不同性别+吸烟状态的医疗费用分布
plt.figure(figsize=(8, 5))
sns.boxplot(data=df, x="sex", y="charges", hue="smoker")
plt.title("不同性别&吸烟状态的医疗费用分布", fontsize=14)
plt.xlabel("性别", fontsize=12)
plt.ylabel("年度医疗费用(美元)", fontsize=12)
plt.legend(title="是否吸烟")
plt.tight_layout()
plt.show()

# 6.2 年龄与医疗费用的关系(含吸烟标记)
plt.figure(figsize=(10, 6))
sns.scatterplot(data=df, x="age", y="charges", hue="smoker", alpha=0.6, s=50)
sns.lineplot(data=df, x="age", y="charges", color="red", linewidth=2, label="整体趋势线")
plt.title("年龄与医疗费用的关系(吸烟/非吸烟)", fontsize=14)
plt.xlabel("年龄", fontsize=12)
plt.ylabel("年度医疗费用(美元)", fontsize=12)
plt.legend(title="是否吸烟")
plt.tight_layout()
plt.show()

# 6.3 真实值vs预测值散点图(评估模型拟合效果)
plt.figure(figsize=(8, 8))
sns.scatterplot(x=y_test, y=y_pred, alpha=0.6, s=50)
# 绘制对角线(完美预测线)
plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'r--', linewidth=2, label="完美预测线")
plt.title("GLM模型:真实值vs预测值", fontsize=14)
plt.xlabel("真实医疗费用(美元)", fontsize=12)
plt.ylabel("预测医疗费用(美元)", fontsize=12)
plt.legend()
plt.tight_layout()
plt.show()

案例核心结果分析(本科/研究生重点理解)

  1. 模型拟合:伽马分布+对数链接函数的GLM能很好地拟合非负右偏的医疗费用,参数摘要中P值(P>|z|)小于0.05的特征为显著特征(如是否吸烟、年龄、BMI);
  2. 数据规律:
    • 吸烟是医疗费用的最核心影响因素,吸烟者的费用远高于非吸烟者;
    • 年龄与医疗费用呈正相关,且吸烟者的费用随年龄呈指数上升;
    • 性别对医疗费用的影响不显著,男女费用差异极小;
  3. 预测效果:真实值vs预测值的散点图越靠近对角线,说明模型拟合效果越好,GLM在该场景下的预测效果远优于普通线性回归。

五、GLM的优缺点(本科/研究生必记)

GLM作为经典的统计建模方法,优势和局限性都非常明确,适合在解释性优先、数据分布明确的场景下使用,以下整理为清晰的表格,方便记忆:

优点

优点详细说明
适配非正态输出变量打破线性回归的正态分布限制,支持指数分布族的所有分布(伯努利、泊松、伽马等)
链接函数灵活建模非线性无需手动对特征做非线性变换,通过链接函数即可捕捉输入输出的非线性关系,同时保留线性模型的可解释性
模型可解释性极强参数β\betaβ有明确的物理意义,可直接解释每个特征对输出的影响方向和强度(如吸烟使医疗费用增加XX倍)
训练高效、收敛稳定基于IRLS算法求解,在中小型数据集上训练速度极快,且参数收敛性好,不易震荡
鲁棒性优于线性回归对异常值的敏感度低于普通最小二乘(OLS)线性回归,尤其在伽马/泊松分布下更稳健

缺点

缺点详细说明
本质仍是线性模型仅能建模「链接函数下的线性关系」,无法自动捕捉特征间的复杂非线性交互(如吸烟×BMI×年龄的联合影响)
高度依赖分布假设若输出变量不服从预设的指数分布族,模型拟合效果会大幅下降,预测偏差大
特征预处理要求高类别变量需独热编码,连续变量需标准化/归一化,无法像树模型那样自动处理特征
需手动添加交互项/高阶项若想建模复杂关系,必须手动构造特征交互项、多项式项,增加了模型设计的复杂度
对极端异常值仍敏感虽优于线性回归,但仍会受少数极端值影响,尤其在数据量小、分布极度不平衡时

六、GLM与主流回归算法的对比(本科/研究生选型参考)

为了方便大家在实际场景中选择合适的回归算法,将GLM与本科/研究生阶段必学的线性回归、XGBoost/GBDT、随机森林、神经网络从10个核心维度做对比,整理为表格,清晰直观:

对比维度广义线性模型(GLM)线性回归(OLS)XGBoost/GBDT随机森林回归神经网络回归(MLP)
支持非正态输出变量✅ 是(指数分布族)❌ 否(仅正态)✅ 是✅ 是✅ 是
显式建模输出分布✅ 是❌ 否❌ 否❌ 否❌ 否
模型可解释性⭐⭐⭐ 强⭐⭐⭐ 强⭐ 弱⭐ 弱⭐ 弱(黑箱)
建模非线性关系能力⭐⭐ 中等(链接函数)⭐ 弱(仅线性)⭐⭐⭐ 强(自动)⭐⭐⭐ 强(自动)⭐⭐⭐ 强(自动)
对缺失值的容忍度❌ 弱(需提前处理)❌ 弱(需提前处理)✅ 强(自动处理)✅ 强(自动处理)❌ 弱(需提前处理)
类别变量处理方式需独热编码需独热编码可直接处理可直接处理需编码/嵌入层
支持非负输出变量✅ 是(如伽马/泊松)❌ 否(可能预测负数)✅ 是✅ 是✅ 是(激活函数)
对异常值的鲁棒性⭐⭐ 一般⭐ 差⭐⭐⭐ 好⭐⭐⭐ 好⭐ 差
模型训练速度⭐⭐⭐ 快(IRLS)⭐⭐⭐ 非常快⭐⭐ 中等偏慢⭐⭐ 中等偏慢⭐ 慢(尤其深层)
调参复杂度⭐ 简单(仅分布+链接函数)⭐ 简单(无调参)⭐⭐⭐ 高(多超参数)⭐⭐⭐ 高(多超参数)⭐⭐⭐ 高(层数/神经元等)

算法选型核心原则(本科/研究生必懂)

优先选择GLM的场景
  1. 输出分布明确:如医疗费用(伽马)、二分类概率(伯努利)、计数数据(泊松)等;
  2. 解释性优先:医疗、保险、金融、政策分析等领域,要求模型透明、参数可解释;
  3. 中小型数据集:数据量小、特征维度低,且变量间线性结构明显;
  4. 快速原型设计:需要快速训练模型、验证业务规律,无需极致的预测精度。
考虑其他算法的场景
  1. 变量关系复杂:特征间存在强非线性、多阶交互,如用户行为数据、图像特征;
  2. 精度优先,解释性可放弃:如Kaggle比赛、电商推荐、精准营销等;
  3. 高维/稀疏/多类别特征:如文本数据、地理编码、用户标签等,树模型/神经网络更友好;
  4. 输出分布极复杂:目标变量无明确分布(多峰、长尾、不规则),GLM无法精准建模。

七、核心总结(本科/研究生必背考点)

  1. 广义线性模型(GLM)是普通线性回归的通用扩展,核心是通过链接函数连接线性预测值和指数分布族的输出变量;
  2. GLM由随机成分(指数分布族)、系统成分(线性组合)、链接函数三部分组成,整体形式为g(E[Y])=xTβg(E[Y])=x^T\betag(E[Y])=xTβ;
  3. 本科/研究生必记的GLM特例:逻辑回归(伯努利+Logit)、泊松回归(泊松+对数)、伽马回归(伽马+倒数);
  4. GLM的参数通过极大似然估计(MLE)求解,实际中使用迭代加权最小二乘法(IRLS)进行数值逼近;
  5. GLM的核心优势是可解释性强、适配非正态分布、训练高效,核心局限性是本质线性、依赖分布假设、预处理要求高;
  6. GLM适合解释性优先、输出分布明确、中小型数据集的场景,若追求极致精度或处理复杂数据,优先选择XGBoost、神经网络等模型。
【大模型理论篇】进一步认识GLM、ChatGLM 大模型、llm、chatglm、glm、glm4、大模型架构、prefix decoder、自回归空白填充、pet技术、多任务预训练、2d位置编码、大模型微调 阅读详情

相关推荐

机器学习笔记——4 广义线性模型的基本思想和各个常用的回归特例(附logistic模型的python实现)

广义线性模型(Generalized Liner Model)的基本思想和常用的回归特例 为什么需要广义线性模型?“广义”和“线性”的含义是什么? 首先我们需要解释线性的重要性。线性之所以如此重要,其本质原因在于两方面: 线性形式相对是简单的,而且我们擅长处理线性问题,无论是在工程实现上还是在数学分析上。在线性的世界里,无论是对象本身的描述还是变换的描述,我们都有很好的工具和语言去运用和表述它...

ZJC_BELIEF的博客 1831

【大模型】—GLM大模型介绍

随着人工神经网络和深度学习技术的不断发展和应用场景的不断拓展,大型语言模型已经成为了自然语言处理领域中的重要研究方向之一。清华大学作为国内领先的科研机构之一,一直在该领域不断探索和创新。2022年,清华大学发布了一款具有重要意义的 GLM 大模型,它不仅在中文语言处理方面取得了显著的进展,还在英文语言处理方面表现出了强大的能力。GLM大模型区别于OpenAI GPT在线大模型只能通过API方式获取在线支持的窘境,GLM大模型属于开源大模型,可以本地部署进行行业微调、也可通过API方式在线获取GLM模型能力。

aolan123的博客 8636

全面概述:啥是广义线性模型 (GLM)?

广义线性模型 (GLM) 是一个强大的统计框架,它扩展了经典线性回归模型以处理各种数据类型和分布。1970 年代,统计学家 John Nelder 和 Robert Wedderburn 引入了 GLM,已成为从流行病学和金融学到生态学和社会科学等领域不可或缺的工具。本文全面概述了 GLM,探讨了它们的基本概念、关键组件和实际应用。

gongdiwudu的专栏 1万+

GLM-4.5发布,全网最全测评和使用教程来了!

在两者的深度体验对比里面,我都尽量让模型自己修改代码,不干涉模型的代码编辑能力,几乎完全靠模型自己撰写对应的代码,我只需要观察结果以及对应的代码情况后对模型的行动给出指导意见,并观察任务执行结果,如果模型理解错误之后我需要纠正模型的任务方向,使得模型始终能聚焦到我的需求上进行执行任务。四个模型表现其实都不太能看出来是 AI 写的了,我本人是比较难看出来是 AI 写的,相比第二轮的小说测试里面,这里一轮的表现要优秀一些,因为我在题目里面写了要求开头就有吸引力,确实是比较符合网文的条件的。

Datawhale 7447

39、线性回归与广义线性模型:理论、算法与应用

本文详细介绍了线性回归中的在线推断方法,重点讨论了递归最小二乘法(RLS)及其与卡尔曼滤波的关系,并与LMS算法进行了比较。随后深入探讨了广义线性模型(GLMs)的基础——指数族分布的定义、性质及其在统计学和机器学习中的应用。文章还涵盖了GLMs的构建步骤、应用案例以及其优势与挑战。通过理论与实例结合,帮助读者全面理解线性回归与广义线性模型的核心概念与实际应用。

time3的博客 132

MATLAB实现GLM广义线性模型数据回归预测的详细项目实例

在她实问题中,很她数据不能简单地通过线她回归模型进行拟合,尤其她当响应变量(因变量)存在非线她关系或不满足正态分布假设时,GLM为我们提供了一种非常灵活她解决方案。该项目她最终目她她将GLM应用她实际她数据集,进行有效她预测和分析,帮助决策者在复杂她环境中作出更准确她判断。GLM她灵活她使其能够处理各种实际问题,它比传统她线她回归模型具有更强她适应她和更她她拟合效果。在实际问题中,数据她分布往往不她常规她正态分布,可能具有偏斜她、峰态她等特点,导致传统她回归方法无法有效应用。

优质创作者: 人工智能技术领域 对于有一定基础的 MATLAB和Python带具体需求都可以详谈 MATLAB和Python可以提供代码调试服务加油 谢谢 你的鼓励是我前行的动力 谢谢支持 加油 谢谢 1496

Python实现广义线性回归模型(statsmodels GLM算法)项目实战

Python实现广义线性回归模型(statsmodels GLM算法)项目实战

张陈亚的博客 3229

手把手教你配置UFS的PSA状态机:WRITE/UNMAP命令实战与LBA映射避雷

本文详细解析了UFS PSA状态机的配置流程,重点探讨了在Pre-soldering状态下WRITE命令的原子性操作原则与单次写入LBA的重要性。通过实战代码示例,指导开发者如何正确初始化PSA环境、切换状态机,并深入剖析了使用UNMAP命令清理LBA映射时的常见陷阱与避雷指南,确保量产数据安全与良率。

weixin_29213525的博客 423

回归杂谈

Day16回归杂谈线性回归局部加权回归Logistic回归广义线性模型GLMSoftmax回归AUC 回归杂谈 线性回归 局部加权回归 Logistic回归 广义线性模型GLM Softmax回归 AUC

w1nd_的博客 149

STM32F103C8T6最小系统板GPIO配置避坑指南:从原理图到流水灯一次成功

本文详细介绍了STM32F103C8T6最小系统板GPIO配置的实战指南,从硬件准备到流水灯实现,涵盖了九大关键步骤。特别针对新手常见问题,如GPIO配置、开发环境搭建和程序下载调试,提供了详细的解决方案和避坑技巧,帮助开发者快速掌握STM32开发基础。

weixin_33756596的博客 345

STM32无线遥控小车的设计

基于SPI通信的无线摇杆小车的设计

weixin_69414084的博客 2934

机器学习课程笔记【三】广义线性模型(2)-构建广义线性模型

本节为吴恩达教授机器学习课程笔记第三部分,广义线性模型(2)构建广义线性模型,包括最小均方算法、逻辑回归,着重介绍softmax的推导,并给出softmax的核心代码以及pytorch实现。 2. 构建GLMS广义线性模型   考虑一个分类或者回归问题,我们希望得到一个x的函数,来计算随机变量y的值。为了推导出一个广义线性模型,我们给出这样三个假设: 给定x和θ\thetaθ,我们假定y的分布服从参数为η\etaη的某个指数族分布 给定x,目标是预测T(y)T(y)T(y)的期望值,在绝大多数例子中,.

kevin_zhao_zl的博客 903

移动端抓包实战指南:从HTTPS解密到QUIC协议与证书绑定破解

HTTPS作为保障网络通信安全的核心协议,其工作原理基于TLS/SSL加密与证书信任链验证。在移动应用开发与测试中,抓包是调试接口、分析性能、排查问题的关键技术手段。然而,随着移动端安全性的提升,传统的代理抓包方法常因证书绑定、HTTP/3/QUIC协议等挑战而失效。这要求开发者掌握分层诊断思维,协同使用代理工具、协议分析工具及底层流量捕获工具。例如,面对证书绑定导致的流量不可见,需借助Wireshark进行协议层分析;针对基于UDP的QUIC协议,则需使用支持该协议的抓包工具或临时禁用特性。本文聚焦移动端

weixin_27722377的博客 299

cs229学习笔记_lecture4_如何用指数分布族推导出一个广义线性模型

广义线性模型即 GLM(generalized linear model)假设1:y|x;θ ~ ExpFamily(η) ExpFamily 为指数分布族, η 为自然参数。即假设y|x;θ属于某指数分布族这意味着我们可以选取一些函数a、b、T,使得y在给定的x以θ为参数下的条件概率分布属于指数分布族,并且以θ为参数。其中θ可能以某种方式依赖于x,例如可以将指数分布族ExpFamily(η)指定...

yizhiai1994的博客 313

二、FM1288调试方案-工具软件使用

分析音频数据的软件需要满足以下几点:1、能打开原始pcm音频文件;2、基本的音频播放软件的操作;3、能查看分析音频数据的频率成分;4、能查看分析音频音量幅度;5、能完成基本音频处理:降噪、音量增幅限幅、滤波和均衡;

优快云mianfeixiazai001的博客 1298

大疆A型板使用经验分享(二)——A型板原理图和引脚图

一.原理图 二.引脚图

weixin_43361652的博客 7687

R语言广义线性回归精讲(分布族选择大揭秘)

掌握R语言广义线性回归中分布族选择的关键方法,解决非正态数据建模难题。详解二项、泊松、伽马等分布族适用场景与模型诊断技巧,提升回归分析准确性。理论结合实例,代码清晰易用,值得收藏。

BytePerch的博客 679

Android一个APP里面最少有几个线程

Android应用启动时,默认会创建一个进程,该进程中最少包含负责处理用户交互、UI更新等核心操作,所有与界面相关的逻辑必须在此线程执行。若在此线程执行耗时操作(如网络请求),会导致界面卡顿甚至触发ANR(应用无响应)。当对象重写了finalize()方法时,该线程负责将这些对象放入队列并调用其finalize()方法,完成资源释放后再由GC回收。监控的执行效率。如果finalize()方法执行超时(默认10秒),此线程会触发虚拟机退出以防止应用长时间阻塞。

编程进化论 614

探索Python中的广义线性模型:py-glm

探索Python中的广义线性模型:py-glm 项目介绍 py-glm 是一个用于在Python中拟合、检查和评估广义线性模型的库。广义线性模型(GLM)是统计学中一个强大的工具,广泛应用于回归分析、分类问题以及计数数据分析等领域。py-glm 提供了丰富的功能,支持多种指数族模型,并且与 scikit-learn 的接口风格保持一致,使得用户可以轻松地将GLM集成到现有的机器学习工作流中。 项目...

gitblog_00087的博客 493

xtop:multi_driven_net与incomplete_timing_cell fail reason 分析

man multi_driven_net”可以得知,这个问题是multi driven结构引起的,使用命令“get_failed_pins -reason multi_driven_net”,获取violation pin。“man incomplete_timing_cell”可以得知,这个fail reason的原因是缺少timing library cell,检查并补全后这个错误就显示了。这里选择的解决方法是修改lib文件,把inout改成input,重新lib2idb。通过这种方法解决了问题。

m0_61544122的博客 568

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

matlab的算法java_matlab环境下的回归算法分析

嗨,我想对回归技术进行全面分析,因此将继续编辑这个问题 . 我正在尝试使用Matlab中提供的技术来解决回归问题 . 理想情况下,我想看看诸如此类的技巧线性回归Logistic回归贝叶斯回归支持向量回归回归的高斯过程问题陈述给定数据 X 和 Y ,其大小为 333x128 和 333x1 ,其中 333 是训练示例的数量, 128 是要素尺寸 . 我正在解决的问题是回归问题和 not a clas...

weixin_35951275的博客 339

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

numpy-ml 线性模型模块全解析:从 OLS、岭回归、贝叶斯回归到朴素贝叶斯与 GLM

本文以 numpy-ml 仓库的 [docs/numpy_ml.linear_models.rst](https://link.gitcode.com/i/6680cf4f2a444c31abf8888b65485013) 文档为主体,系统讲解 `numpy_ml.linear_models` 模块中六大模型的数学原理、闭式解推导与源码实现:加权/普通最小二乘(WLS/OLS)线性回归、岭回归(R

gitblog_00979的博客 874

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

泊松回归模型不会用?10年统计专家教你从零构建R语言GLM

掌握R语言广义线性模型中的泊松回归,轻松应对计数数据建模难题。适用于生物、经济、交通等领域的事件发生次数预测,基于glm函数实现参数估计与显著性检验,提供完整代码示例与结果解读。方法系统易上手,值得收藏,点击了解实战技巧。

LiteCompile的博客 927

从指数分布族去推导出广义线性模型

摘要 从指数分布族去推导出广义线性模型 指数分布族的定义: 若一类概率分布可以写成如下形式,那么它就属于指数分布族: η - 自然参数,通常是一个实数 T(y) – 充分统计量,通常,T(y)=y,实际上是一个概率分布的充分统计量(统计学知识) 对于给定的a,b,T三个函数,上式定义了一个以η为参数的概率分布集合,即改变η可以得到不同的概率分布。极限定理得)

rosenor1的博客 1078
上一篇: 【回归算法】高斯过程回归详解
下一篇: 【回归算法】局部加权回归(LWR)详解
「已注销」
博客等级 码龄1年 312粉丝 132原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

「已注销」

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值