在本課你學到可用廣義線性模型（GLM）來建模的各種資料型態。這個練習要你複習這些資料型態，並為 GLM 選擇正確的分佈家族。
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
複習線性模型，並學習在反應變數型態不同時，GLM 如何作為線性模型的延伸。你也會了解 GLM 的組成要素，以及在 Python 中配適 GLM 的技術流程。
當前練習
本章聚焦於邏輯斯迴歸。你將學到二元資料的結構、logit 連結函式、模型配適，以及如何解讀係數、進行模型推論，並評估模型效能。
本章將介紹 Poisson 迴歸，包括計數資料的特性、Poisson 分配，以及模型配適結果的解讀。你也會學到如何處理過度發散的問題。最後，你將實作模型視覺化的流程。
在最後一章，你會透過加入超過一個解釋變數來提升模型的複雜度。你將練習處理多重共線性的問題，並學會在模型中處理類別型與交互作用項。
