складність 4/5
Generalized linear models
Одна рамка, що охоплює лінійну, логістичну та пуассонівську регресію водночас: лінійний предиктор, функція зв’язку, що поєднує його з відгуком, і розподіл для шуму.
Інтуїція
Лінійна регресія припускає, що відгук приблизно нормальний і необмежений. Це постійно ламається. Підрахунки не можуть бути від’ємними. Ймовірності живуть у [0, 1]. Час очікування скошений і строго додатний. Підгонка прямої до будь-чого з цього дає прогнози не просто неточні, а неможливі: пряма, підігнана до нулів та одиниць, може передбачити «y=1.1 або y=−0.1, а це не допустимі ймовірності» [3, §11.6].
GLM зберігають корисну частину — лінійну комбінацію ознак — і роблять навколо неї налаштовними дві речі: функцію зв’язку, що відображає лінійний предиктор у допустимий діапазон відгуку, і сімейство розподілів, що описує, як відгук коливається навколо свого середнього [1, technical documentation].
Зробіть це — і лінійна, логістична та пуассонівська регресії перестають бути трьома моделями й стають трьома налаштуваннями однієї [3, §11.6].
Формальне визначення
Як це працює
Де застосовується
Чому і коли
Практичний приклад
Типові помилки
Перевірте себе
3 запитання
Запитання до цієї сторінки входять у доступ. Їх перевіряє сервер, тож відповіді лишаються там, доки ви не дасте свою.
Джерела
- statsmodels — Generalized Linear Modelsdocs · звірено 2026-08-31https://www.statsmodels.org/stable/glm.html
- scikit-learn User Guide — Linear Modelsdocs · звірено 2026-10-04https://scikit-learn.org/stable/modules/linear_model.html
- Think Stats — Ch. 11, Regression, 2nd ed.book · звірено 2026-10-06https://greenteapress.com/thinkstats2/html/thinkstats2012.html