回顾线性模型，并学习在响应变量类型不同的条件下，GLM 如何作为线性模型的扩展。您还将学习 GLM 的构成要素，以及在 Python 中拟合 GLM 的技术流程。

走出线性回归的范畴

应用线性模型

线性模型：GLM 的一个特例

如何构建 GLM？

数据类型与分布族

线性模型与二元响应变量

比较预测值

如何在 Python 中拟合 GLM？

逐步完成模型拟合

使用 summary() 查看模型拟合结果

提取参数估计值

GLM 入门

本章重点介绍逻辑回归。您将学习二元数据的结构、logit 链接函数、模型拟合方法，以及如何解释模型系数、进行模型推断，并评估模型性能。

二元数据与逻辑回归

计算胜算与概率

拟合逻辑回归

解释系数

以赔率表述的系数

模型公式

解释逻辑回归模型

概率的变化率

解读模型推断

统计显著性

计算 Wald 统计量

置信区间

计算并描述预测结果

使用 regplot() 可视化模型拟合

计算预测值

计算混淆矩阵

二元数据建模

本章将学习 Poisson 回归，包括对计数数据与 Poisson 分布的讨论，以及对模型拟合结果的解释。您还将学习如何解决过度离散问题。最后，您将动手实践模型可视化的流程。

计数数据与 Poisson 分布

可视化因变量

拟合 Poisson 回归

解读模型拟合结果

估计参数 lambda

解释 Poisson 系数

Poisson 置信区间

过度离散的问题

均值是否等于方差？

计算期望计数

检查过度离散

拟合负二项分布模型

负二项模型的置信区间

绘制回归模型

绘制数据与线性模型拟合

绘制拟合值

计数数据建模

在最后一章，您将通过引入不止一个解释变量来提升模型的复杂度。您会练习处理多重共线性问题，并学习在模型中处理分类变量与交互项。

多变量 logistic 回归

拟合一个多变量逻辑回归

多重共线性的影响

计算 VIF

比较模型

检验模型拟合

比较两个模型

偏差与线性变换

连续变量的模型矩阵

变量变换

对分类变量进行编码

分类变量与交互项

含分类变量的建模

交互项

恭喜您！

多变量逻辑回归

Well switch due to arsenic poisoning

Nesting of the female horseshoe crab

Level of salary and years of work experience

Bike crossings in New York City

Credit default

Medical costs per person given age and BMI

设想一下，能在同一套框架下处理响应变量为二元、计数或近似正态的数据。其实无需设想——欢迎来到 Python 中的广义线性模型课程！在本课程中，您将把回归工具箱扩展到逻辑回归和 Poisson 回归，学习如何拟合模型、理解与评估模型性能，并最终使用模型对新数据进行预测。课程将基于真实研究的数据进行练习，例如世界历史上最大规模的人口中毒事件、马蹄蟹的筑巢行为，以及纽约市桥梁上的骑行过桥计数。

Introduction to Linear Modeling in Python

扩展回归工具箱，学习训练、理解和验证逻辑和泊松模型，并进行预测。

Python 中的广义线性模型

扩展你的回归工具箱，掌握逻辑回归和泊松模型，学习训练、理解、验证它们，并进行预测。

计数数据与 Poisson 分布

Create Your Free Account