本章會說明廣義線性模型如何作為你資料科學工具箱中其他模型的延伸。也會以 Poisson 迴歸作為切入點，介紹廣義線性模型。

線性模型的侷限

線性模型的假設

複習：如何配適線性模型

Poisson 迴歸

在 R 擬合 Poisson 迴歸

比較線性與 Poisson 迴歸

截距：比較差異與平均數

以 glm() 使用基本的 lm() 函式

將 summary()、print() 與 tidy() 應用於 glm

從 glm() 擷取係數

使用 glm() 進行預測

GLM：擴充你的迴歸工具箱

本章將示範如何執行邏輯斯迴歸，並檢視模型的輸出結果。

Logistic regression 概觀

擬合一個邏輯斯迴歸

檢視與詮釋邏輯斯回歸的輸出

Bernoulli 與二項分配的比較

Bernoulli 與二項分配

模擬二元資料

長格式的羅吉斯迴歸輸入

寬格式輸入的邏輯斯迴歸

比較羅吉斯迴歸的輸出

連結函式—Probit 與 logit 的比較

Probit 與 Logit

擬合 probit 與 logit

模擬 logit

模擬 probit

Logistic Regression（邏輯斯迴歸）

本章將帶你解讀 GLM 的迴歸係數，並使用 ggplot2 視覺化 GLM。

Poisson 迴歸係數

Poisson 連結函式

lm 與 Poisson 係數比較

繪製 Poisson 迴歸圖

Poisson 迴歸繪圖

理解邏輯斯迴歸的輸出

理解勝算比（odds ratio）

擷取並解讀勝算比（odds-ratio）

Tidyverse 中的勝算比與信賴區間

ggplot2 與二項式迴歸

預設趨勢線

趨勢線的方法

比較 probit 與 logit

解讀與視覺化 GLM

在本章中，你將學會如何在 R 中以 GLM 進行多元迴歸。

多元羅吉斯回歸

配適多元羅吉斯迴歸

建立兩個模型

比較迴歸輸出

比較變數的順序

R 的公式

多個斜率

截距（Intercepts）

多個截距

多元羅吉斯迴歸的假設條件

辛普森悖論（Simpson's paradox）

非線性羅吉斯迴歸

結語

GLM 的多元迴歸

Bus Commuter dataset

線性迴歸是統計學的主力工具，但無法處理某些複雜型態的資料。廣義線性模型（GLM）在此基礎上擴充，能涵蓋包括二元與計數資料在內的非常態分配。整門課程中，你會將 R 中的 GLM 納入你的資料科學工具箱。學習 GLM 的同時，你會學到如何用邏輯斯迴歸擬合二元資料，以及用 Poisson 迴歸處理計數資料。你也會學會如何解讀這些結果，並使用 ggplot2 繪圖呈現。

Intermediate Regression in R

學習使用邏輯迴歸擬合二項數據和泊松迴歸擬合計數數據，並用ggplot2理解和繪製結果。

R 的廣義線性模型

學習 Generalized Linear Model，掌握 logistic 與 Poisson regression，強化回歸分析技能。

Bernoulli 與二項分配

R 的廣義線性模型

動手互動練習