使用上一练习中拟合好的模型 model，通过解释系数以及它对响应均值的乘法效应，进一步分析结果。
model
回忆：乘法效应计算为 $exp(\beta_1)$。
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
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。
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。
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。
当前练习
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。
