广义线性模型——Logistic回归模型(1)

广义线性模型(GLM)是线性模型的扩展,它通过连接函数建立响应变量的数学期望值与线性组合的预测变量之间的关系。

广义线性模型拟合的形式为:

 其中g(μY)是条件均值的函数(称为连接函数)。另外,你可放松Y为正态分布的假设,改为Y 服从指数分布族中的一种分布即可。设定好连接函数和概率分布后,便可以通过最大似然估计的多次迭代推导出各参数值。 

在大部分情况下,线性模型就可以通过一系列连续型或类别型预测变量来预测正态分布的响应变量的工作。

但是,有时候我们要进行非正态因变量的分析,例如:

(1)类别型结果变量:二类变量(及格|不及格,生|死,通过|不通过);分类变量(差|良好|优秀)。

(2)计数型结果变量:

  • 1
    点赞
  • 24
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
广义线性模型中,Logistic回归模型用于进行二分类任务,但它也可以通过一些技巧进行非线性分类。下面是一些常用的方法: 1. 特征转换:通过对输入特征进行非线性转换,可以使得Logistic回归模型能够处理非线性分类问题。常用的转换方法包括多项式特征扩展、指数函数、对数函数等。可以通过将原始特征进行组合或者应用非线性函数来引入非线性。 2. 核技巧(Kernel Trick):通过在Logistic回归模型中使用核函数,可以将输入特征映射到高维空间中,从而实现非线性分类。常用的核函数有多项式核函数、高斯核函数等,它们能够将低维非线性可分的数据映射到高维线性可分的空间。 3. 集成学习方法:可以将多个Logistic回归模型进行集成,例如使用bagging、boosting等方法。通过组合多个基础模型的预测结果,可以得到更好的非线性分类效果。 4. 神经网络方法:神经网络模型本身就能够处理非线性分类问题。你可以尝试使用基于神经网络的分类模型,如多层感知机(MLP)或卷积神经网络(CNN),这些模型在处理非线性分类问题上具有较强的能力。 需要注意的是,以上方法都是在Logistic回归模型的基础上进行的改进,通过引入非线性元素来实现非线性分类。这些方法可以根据具体问题选择并结合使用,以获得更好的分类效果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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