北太天元應(yīng)用案例分享: 廣義線性模型

社區(qū)小助手 2024-12-24 18:30:42

以下內(nèi)容為盧朓老師在B站進(jìn)行的分享，可以作為學(xué)習(xí)參考：

在介紹廣義線性模型之前, 我們先看看常規(guī)線性回歸模型.

常規(guī)線性回歸（ConventionalLinear Regression），也稱為普通最小二乘法（Ordinary Least Squares, OLS）線性回歸，是統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)中最基礎(chǔ)且廣泛應(yīng)用的一種回歸分析技術(shù)。

這個(gè)可以參考北太天元科普：最小二乘法和線性回歸 - 嗶哩嗶哩 (bilibili.com)

常規(guī)線性回歸是一種用于分析兩個(gè)或多個(gè)變量之間線性關(guān)系的統(tǒng)計(jì)方法。它通過擬合一條直線（或超平面）來描述因變量（目標(biāo)變量）與一個(gè)或多個(gè)自變量（預(yù)測(cè)變量）之間的關(guān)系。這種模型基于一個(gè)基本假設(shè)：自變量與因變量之間存在線性關(guān)系。

常規(guī)線性回歸的數(shù)學(xué)表達(dá)式為：

* 簡(jiǎn)單線性回歸（單變量）： $Y = β_0 + β_1X + ε$

* 多元線性回歸（多變量）： $Y = β_0 + β_1X_1 + β_2X_2 + ... + β_nX_n + ε$

其中，Y是因變量，X是自變量（在多元線性回歸中，X代表多個(gè)自變量X_1, X_2, ..., X_n）， $β_0$ 是截距項(xiàng)， $β_1, β_2, ..., β_n$ 是回歸系數(shù)，ε是誤差項(xiàng)，表示模型未能解釋的變異部分。

常規(guī)線性回歸通過最小二乘法來擬合模型。最小二乘法的目標(biāo)是找到最佳的回歸系數(shù)β0, β1, ..., βn，使得實(shí)際觀測(cè)值與模型預(yù)測(cè)值之間的殘差平方和最小。殘差平方和的公式為：

RSS = $Σ_i(y_i - \hat{y}_i)^2$

其中， $y_i$ 是實(shí)際觀測(cè)值， $\hat{y}_i$ 是模型預(yù)測(cè)值。

常規(guī)線性回歸的有效性基于以下假設(shè)條件：

* 線性關(guān)系：自變量與因變量之間存在線性關(guān)系。

* 獨(dú)立性：觀測(cè)值之間相互獨(dú)立。

* 同方差性：誤差項(xiàng)的方差恒定。

* 正態(tài)性：誤差項(xiàng)服從正態(tài)分布。

上面的自變量又被稱為協(xié)變量、預(yù)測(cè)變量、解釋變量, 是那些用于預(yù)測(cè)或解釋 因變量（響應(yīng)變量）變化的變量。

線性回顧,我們假設(shè)因變量 $Y|X \sim N(\mu(X),\sigma^2)$ , 我們的目的是尋找 $E(Y|X)$ 也就是 $\mu(X)$ , 我們假設(shè) $\mu(X) = \beta_0 + \beta_1 X_1 + \cdots +\beta_k X_k = X^T \beta$ .

在廣義線性模型（GLM）中，這些自變量通過線性組合的方式影響因變量的分布，即使這種影響在最終模型中可能表現(xiàn)為非線性關(guān)系。因此，盡管模型可能包含非線性的元素，但它們?nèi)匀槐灰暈?ldquo;線性”的，因?yàn)樽宰兞康挠绊懯峭ㄟ^線性組合傳遞的, 并通過鏈接函數(shù)與線性預(yù)測(cè)器建立非線性關(guān)系。廣義線性模型（GLMs）是統(tǒng)計(jì)學(xué)中一類非常強(qiáng)大且靈活的回歸模型，它擴(kuò)展了普通線性回歸模型的應(yīng)用范圍。本文將對(duì)廣義線性模型進(jìn)行詳細(xì)介紹，并清晰地闡述其數(shù)學(xué)基礎(chǔ)和應(yīng)用場(chǎng)景。

一、背景與動(dòng)機(jī)

普通線性回歸模型假設(shè)響應(yīng)變量服從正態(tài)分布，且其均值是預(yù)測(cè)變量的線性函數(shù)。然而，在實(shí)際應(yīng)用中，這一假設(shè)往往不成立。例如，在二分類問題中，響應(yīng)變量通常服從二項(xiàng)分布；在計(jì)數(shù)數(shù)據(jù)中，響應(yīng)變量可能服從泊松分布。為了處理這些非正態(tài)分布數(shù)據(jù)，廣義線性模型應(yīng)運(yùn)而生。

二、廣義線性模型的基本概念

廣義線性模型包含三個(gè)主要組成部分：

隨機(jī)部分(random component)：定義了響應(yīng)變量的概率分布。例如，在線性回歸中，遵循正態(tài)分布；而在二元邏輯回歸中，遵循二項(xiàng)分布。這是模型中唯一的隨機(jī)元素，不包含單獨(dú)的誤差項(xiàng)。常見的分布類型包括正態(tài)分布、二項(xiàng)分布、泊松分布等。
系統(tǒng)部分(systematic component)：描述了模型中的解釋變量及其線性組合。具體來說，就是這些解釋變量的加權(quán)和，如。
鏈接函數(shù)(Link function, 記作 η 或 g(μ))：它連接了模型的隨機(jī)部分（響應(yīng)變量的分布）和系統(tǒng)部分（解釋變量的線性組合）。鏈接函數(shù) 或是一個(gè)函數(shù)，它將響應(yīng)變量的期望值與解釋變量的線性組合聯(lián)系起來。通過鏈接函數(shù)，我們可以將線性預(yù)測(cè)器（解釋變量的線性組合）轉(zhuǎn)換為響應(yīng)變量的期望值。這允許我們使用線性模型來描述非線性的關(guān)系。在經(jīng)典回歸（即普通最小二乘回歸）中，鏈接函數(shù)是恒等函數(shù)，即：這里，鏈接函數(shù)沒有改變期望值的形式，因此線性預(yù)測(cè)器直接等于響應(yīng)變量的期望值。在邏輯回歸中，響應(yīng)變量通常是一個(gè)二值變量（例如，成功或失?。?，其期望值代表成功的概率。邏輯回歸使用logit鏈接函數(shù)，定義為：其中，是成功的概率。通過這個(gè)鏈接函數(shù)，我們可以將線性預(yù)測(cè)器轉(zhuǎn)換為成功的概率。具體來說，我們有：這是邏輯回歸中著名的sigmoid函數(shù)，它將線性預(yù)測(cè)器映射到(0, 1)區(qū)間內(nèi)的概率值。

在廣義線性模型（GLM）的框架中，假設(shè)響應(yīng)變量 Y 的條件分布屬于指數(shù)分布族是一個(gè)基本的、必需的假設(shè)。這個(gè)假設(shè)是GLM理論構(gòu)建的基礎(chǔ)，它允許我們使用一套系統(tǒng)的方法來處理不同類型的響應(yīng)變量和預(yù)測(cè)變量之間的關(guān)系。

指數(shù)分布族包括了許多常見的分布，如正態(tài)分布、二項(xiàng)分布、泊松分布等，這些分布都可以通過GLM進(jìn)行建模。在這個(gè)框架下，我們可以通過指定鏈接函數(shù)來連接線性預(yù)測(cè)器和響應(yīng)變量的期望值，從而靈活地適應(yīng)不同的數(shù)據(jù)特性和預(yù)測(cè)需求。

北太天元的用于廣義線性模型的擬合.

設(shè)響應(yīng)變量 $Y$ 的條件分布屬于指數(shù)分布族，其概率密度函數(shù)（或概率質(zhì)量函數(shù)）可以表示為：

$f(y; \theta, \phi) = \exp\left( \frac{y\theta - b(\theta)}{\phi} + c(y, \phi) \right)$

其中：

- $\theta$ 是自然參數(shù)，決定了分布的具體形狀。

- $\phi$ 是尺度參數(shù)，通常與分布的方差有關(guān)。

- $b(\theta)$ 和 $c(y,\phi)$ 是已知函數(shù)，用于確保概率密度函數(shù)或概率質(zhì)量函數(shù)的積分（或求和）為1。

在廣義線性模型中，我們假設(shè)：

1. 分布假設(shè)：給定預(yù)測(cè)變量 $X$ ，響應(yīng)變量 $Y$ 的條件分布屬于指數(shù)分布族。

2. 線性預(yù)測(cè)器與期望值的聯(lián)系：響應(yīng)變量 $Y$ 的數(shù)學(xué)期望值 $E(Y)$ 是線性預(yù)測(cè)器 $\eta = \beta_0 + \beta_1 x_1 + \cdots + \beta_k x_k$ 的函數(shù)，即 $E(Y|X) = g^{-1}(\eta)$ 。這里 $g$ 是鏈接函數(shù)，它決定了線性預(yù)測(cè)器如何與響應(yīng)變量的期望值相聯(lián)系。

3. 自然參數(shù)與線性預(yù)測(cè)器的關(guān)系：自然參數(shù) $\theta$ 是線性預(yù)測(cè)器 $\eta$ 的函數(shù)，即 $\theta = h(\eta)$ 。這進(jìn)一步明確了線性預(yù)測(cè)器如何影響分布的具體形狀。

三、常見鏈接函數(shù)與分布類型

- 正態(tài)分布（Normal Distribution）：

- 用途：通常用于連續(xù)數(shù)據(jù)的預(yù)測(cè)。

- 鏈接函數(shù)：恒等函數(shù)（IdentityFunction），即 $g(\eta) = \eta$ 。因此， $E(Y|X) = \eta$ 。

- 二項(xiàng)分布（Binomial Distribution）：

- 用途：用于二分類問題（如邏輯回歸）。

- 鏈接函數(shù)：Logit 函數(shù)（對(duì)數(shù)幾率函數(shù)），即 $g(\eta) = \log\left( \frac{\eta}{1-\eta} \right)$ 。因此， $E(Y|X) = \frac{1}{1 + e^{-\eta}}$ （即邏輯函數(shù)）。

- 泊松分布（Poisson Distribution）：

- 用途：用于計(jì)數(shù)數(shù)據(jù)的建模（如事件發(fā)生的次數(shù)）。

- 鏈接函數(shù)：自然對(duì)數(shù)函數(shù)（Natural LogarithmFunction），即 $g(\eta) = \log(\eta)$ 。因此， $E(Y|X) = e^\eta$ 。

- 多項(xiàng)分布（Multinomial Distribution）：

- 用途：用于多分類問題。

- 鏈接函數(shù)：Softmax 函數(shù)，即對(duì)于每個(gè)類別 i，有 $g_i(\eta_i) = \log\left( \frac{\eta_i}{1 - \sum_{j \neq i} \eta_j} \right)$ （在多類別情況下，鏈接函數(shù)應(yīng)用于每個(gè)類別的線性預(yù)測(cè)器，并確保所有類別的概率之和為1）。

廣義線性模型通過指數(shù)分布族和鏈接函數(shù)提供了一種靈活的框架，用于建模各種類型的數(shù)據(jù)和響應(yīng)變量。通過選擇合適的分布類型和鏈接函數(shù)，我們可以構(gòu)建適應(yīng)不同數(shù)據(jù)特性和預(yù)測(cè)需求的模型。

四、函數(shù)擬合和廣義線性回歸

開普勒第三定律，也稱為行星運(yùn)動(dòng)定律，描述了行星繞太陽運(yùn)動(dòng)的軌道周期與其軌道半長(zhǎng)軸之間的關(guān)系。具體來說，該定律指出：繞以太陽為焦點(diǎn)的橢圓軌道運(yùn)行的所有行星，其各自橢圓軌道半長(zhǎng)軸的立方與周期的平方之比是一個(gè)常量。用數(shù)學(xué)表達(dá)式表示即：a³/T²=k，其中a是軌道半長(zhǎng)軸，T是軌道周期，k是一個(gè)與行星無關(guān)的常量，只與中心天體（在這里是太陽）的質(zhì)量有關(guān)。這個(gè)關(guān)系實(shí)際上是一個(gè)非線性關(guān)系，因?yàn)樗婕暗杰壍腊腴L(zhǎng)軸的立方與周期的平方之比。在非線性關(guān)系中，變量之間的關(guān)系不是直線或平面，而是曲線或更復(fù)雜的形狀。開普勒第三定律中的這種非線性關(guān)系揭示了行星運(yùn)動(dòng)的一個(gè)基本規(guī)律，即行星的軌道周期與其軌道大小之間存在一個(gè)特定的比例關(guān)系。

對(duì)一系列觀測(cè)數(shù)據(jù)進(jìn)行函數(shù)擬合在天文學(xué)、物理學(xué)、工程學(xué)等多個(gè)領(lǐng)域中非常常見，用于預(yù)測(cè)、解釋數(shù)據(jù)背后的物理規(guī)律或進(jìn)行模型優(yōu)化。函數(shù)擬合的目標(biāo)通常是找到一個(gè)數(shù)學(xué)函數(shù)，該函數(shù)能夠盡可能準(zhǔn)確地描述觀察的數(shù)據(jù)點(diǎn)。

在許多情況下，數(shù)據(jù)可能呈現(xiàn)出非線性關(guān)系，這使得直接擬合變得復(fù)雜。然而，通過對(duì)變量取對(duì)數(shù)，可以將某些類型的非線性關(guān)系轉(zhuǎn)化為線性關(guān)系，從而簡(jiǎn)化擬合過程。這種方法基于對(duì)數(shù)函數(shù)的特性，即對(duì)數(shù)函數(shù)可以將乘法關(guān)系轉(zhuǎn)化為加法關(guān)系。

具體來說，如果數(shù)據(jù)呈現(xiàn)出指數(shù)關(guān)系（例如， $y = a \exp(bx)$ ），則可以通過對(duì) y 取對(duì)數(shù)來將其轉(zhuǎn)化為線性關(guān)系(我們舉得例子還kepler做得 T = 1/k * a^(3/2) 不太一樣，但是道理是類似的)：

$\log(y) = \log(a) + bx$

這樣，原本的非線性關(guān)系就變成了關(guān)于$ log(y) 和 x 的線性關(guān)系，可以使用線性回歸等簡(jiǎn)單方法來進(jìn)行擬合。

廣義線性模型（GLM）是線性模型的擴(kuò)展，它允許因變量服從更廣泛的概率分布，并通過鏈接函數(shù)將線性預(yù)測(cè)器與因變量的期望值或分布聯(lián)系起來。在GLM的框架中，當(dāng)因變量服從指數(shù)分布族（如泊松分布、伽馬分布等）時(shí)，通常會(huì)使用對(duì)數(shù)鏈接函數(shù)。

將對(duì)數(shù)轉(zhuǎn)換與GLM聯(lián)系起來的關(guān)鍵在于，對(duì)數(shù)轉(zhuǎn)換實(shí)際上是一種特殊形式的鏈接函數(shù)。在GLM中，鏈接函數(shù)用于將線性預(yù)測(cè)器（即自變量的線性組合）映射到因變量的期望值或分布上。對(duì)于指數(shù)分布族，對(duì)數(shù)鏈接函數(shù)是一種常用的選擇，因?yàn)樗軌虮３忠蜃兞颗c自變量之間的非線性關(guān)系（在原始尺度上），同時(shí)在線性預(yù)測(cè)器的尺度上保持線性關(guān)系。

因此，當(dāng)我們通過取對(duì)數(shù)來轉(zhuǎn)化非線性關(guān)系為線性關(guān)系并進(jìn)行擬合時(shí)，實(shí)際上是在使用一種類似于GLM中的對(duì)數(shù)鏈接函數(shù)的方法。雖然很多時(shí)候我們可以采用更加直觀和簡(jiǎn)單的方法（例如，直接對(duì)因變量和自變量單獨(dú)或者同時(shí)取對(duì)數(shù)，然后使用線性回歸），但GLM提供了更嚴(yán)格的統(tǒng)計(jì)框架和更廣泛的適用性。下面我們用代碼給出數(shù)據(jù)呈現(xiàn)出指數(shù)關(guān)系y = a*exp(bx)，我們使用兩種方法來做數(shù)據(jù)擬合：第一種方法是使用對(duì)y取對(duì)數(shù)，然后使用線性回歸（或者說最小二乘法）；第二種方法是使用GLM（特別是選擇泊松分布和對(duì)數(shù)鏈接函數(shù)）。第一種方法我們使用北太天元的 polyfit 函數(shù)，第二種方法，我們使用北太天元的 glmfit 函數(shù)。

% 生成模擬數(shù)據(jù) 
n = 30; % 數(shù)據(jù)點(diǎn)數(shù)量 
x = linspace(0, 10, n)'; % 自變量 
a = 2; % 指數(shù)函數(shù)參數(shù)a 
b = 0.5; % 指數(shù)函數(shù)參數(shù)b 
y = a * exp(b * x) + randn(n, 1) * 0.05; % 因變量，添加了一些噪聲 

% Kepler的指數(shù)函數(shù)擬合（假設(shè)他已知是指數(shù)關(guān)系） 
% 對(duì)y取對(duì)數(shù)，轉(zhuǎn)化為線性關(guān)系 
log_y = log(y);   % log_y = log(a) + b * x ; 

% 使用線性回歸擬合轉(zhuǎn)化后的數(shù)據(jù) 
p_kepler = polyfit(x, log_y, 1); % 這里polyfit只用于演示，實(shí)際上Kepler可能用其他方法 
beta_kepler = [p_kepler(1), exp(p_kepler(2))]; % 注意，我們需要將截距項(xiàng)轉(zhuǎn)化回原始尺度  b = p_kepler(1), a = e^(p_kepler(2)) 

% 使用glmfit函數(shù)進(jìn)行擬合 
% 對(duì)于指數(shù)關(guān)系，我們使用'poisson'分布和對(duì)數(shù)鏈接函數(shù)（這是GLM中的標(biāo)準(zhǔn)設(shè)置） 
% 但是，注意MATLAB的glmfit默認(rèn)不處理指數(shù)分布的截距項(xiàng)，因此我們需要手動(dòng)添加一個(gè)常數(shù)項(xiàng) 
X = [ones(n, 1), x]; % 添加常數(shù)項(xiàng)1到自變量中 
beta_glm = glmfit(X, y, 'poisson', 'Link', 'log'); 

% 比較結(jié)果 
disp('Kepler擬合結(jié)果:'); 
disp(beta_kepler); 

disp('GLM擬合結(jié)果:'); 
disp(beta_glm); 

% 繪制結(jié)果比較 
% 原始數(shù)據(jù)
 figure; 
 scatter(x, y, 'b', 'filled'); 
 hold on; 
 
 % Kepler擬合曲線 
 y_kepler = beta_kepler(2) * exp(beta_kepler(1) * x); 
 %y_kepler = exp(p_kepler(2)+p_kepler(1) * x); 
 plot(x, y_kepler, 'r-', 'LineWidth', 2); 
 
 % GLM擬合曲線 
 % 注意，glmfit返回的是對(duì)數(shù)尺度上的參數(shù)，我們需要轉(zhuǎn)化回原始尺度 
 % 對(duì)于泊松分布，GLM的擬合結(jié)果是log(mu)，所以我們需要使用exp函數(shù) 
 y_glm = exp([ones(size(X,1),1), X] * beta_glm); 
 plot(x, y_glm, 'g--', 'LineWidth', 2); 
 
 legend('原始數(shù)據(jù)', 'Kepler擬合', 'GLM擬合'); 
 xlabel('x'); ylabel('y'); 
 title('北太天元: Kepler擬合與GLM擬合比較'); 
 hold off;

五、應(yīng)用場(chǎng)景

廣義線性模型在各個(gè)領(lǐng)域都有廣泛的應(yīng)用，包括但不限于： - 醫(yī)學(xué)：用于疾病診斷、治療效果評(píng)估等。 - 生物學(xué)：用于基因表達(dá)數(shù)據(jù)分析、種群動(dòng)態(tài)模型等。 - 經(jīng)濟(jì)學(xué)：用于需求分析、風(fēng)險(xiǎn)評(píng)估等。 - 社會(huì)學(xué)：用于投票行為分析、犯罪率預(yù)測(cè)等。

六、glm的鏈接函數(shù)和神經(jīng)網(wǎng)絡(luò)的激活函數(shù)

廣義線性模型（GLM）的鏈接函數(shù)和神經(jīng)網(wǎng)絡(luò)的激活函數(shù)在作用上有一定的相似性，它們都是為了引入非線性因素，使得模型能夠捕捉到數(shù)據(jù)中的復(fù)雜關(guān)系。然而，盡管它們?cè)诠δ苌嫌兴丿B，但在發(fā)展背景、理論基礎(chǔ)以及應(yīng)用靈活性上確實(shí)存在一些差異。

GLM的鏈接函數(shù)起源于統(tǒng)計(jì)學(xué)的廣義線性模型框架，這一框架是在對(duì)經(jīng)典線性回歸模型進(jìn)行擴(kuò)展的基礎(chǔ)上發(fā)展起來的。鏈接函數(shù)的主要作用是將線性預(yù)測(cè)器（即自變量的線性組合）與響應(yīng)變量的期望值或分布聯(lián)系起來。由于GLM的理論基礎(chǔ)較為堅(jiān)實(shí)，鏈接函數(shù)的選擇通常受到嚴(yán)格的數(shù)學(xué)和統(tǒng)計(jì)理論的約束，以確保模型的合理性和可解釋性。因此，在GLM中，鏈接函數(shù)的選擇往往比較有限，且需要滿足一定的數(shù)學(xué)性質(zhì)，如單調(diào)性和可逆性。

相比之下，神經(jīng)網(wǎng)絡(luò)的激活函數(shù)則更加靈活多樣。神經(jīng)網(wǎng)絡(luò)作為一種機(jī)器學(xué)習(xí)算法，其目標(biāo)是通過對(duì)大量數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)習(xí)到數(shù)據(jù)中的復(fù)雜模式和規(guī)律。激活函數(shù)在神經(jīng)網(wǎng)絡(luò)中扮演著至關(guān)重要的角色，它們通過引入非線性因素，使得神經(jīng)網(wǎng)絡(luò)能夠逼近更加復(fù)雜的函數(shù)或映射。與GLM的鏈接函數(shù)相比，神經(jīng)網(wǎng)絡(luò)的激活函數(shù)沒有嚴(yán)格的數(shù)學(xué)和統(tǒng)計(jì)理論約束，因此可以選擇更加多樣化和靈活的函數(shù)形式。此外，隨著深度學(xué)習(xí)的發(fā)展，人們還不斷提出新的激活函數(shù)，以適應(yīng)不同任務(wù)和數(shù)據(jù)的需求。

總的來說，雖然GLM的鏈接函數(shù)和神經(jīng)網(wǎng)絡(luò)的激活函數(shù)在作用上相似，但它們?cè)诎l(fā)展背景、理論基礎(chǔ)以及應(yīng)用靈活性上存在差異。GLM的鏈接函數(shù)更加注重理論分析和可解釋性，而神經(jīng)網(wǎng)絡(luò)的激活函數(shù)則更加靈活多樣，能夠適應(yīng)不同任務(wù)和數(shù)據(jù)的需求。在實(shí)際應(yīng)用中，需要根據(jù)具體問題和數(shù)據(jù)特點(diǎn)選擇合適的模型和方法。

七、結(jié)論

廣義線性模型通過放寬普通線性回歸模型的假設(shè)，擴(kuò)展了其應(yīng)用范圍，使其能夠處理各種類型的數(shù)據(jù)和響應(yīng)變量。通過選擇合適的鏈接函數(shù)和分布類型，廣義線性模型能夠靈活地適應(yīng)不同的實(shí)際問題，為統(tǒng)計(jì)分析和數(shù)據(jù)挖掘提供了強(qiáng)大的工具。

再給出北太天元一個(gè)使用glmfit 的例子，代碼如下：

% 生成示例數(shù)據(jù) 
N = 100; % 樣本大小 
X = randn(N, 2); % 生成兩個(gè)服從正態(tài)分布的預(yù)測(cè)變量 
% 添加常數(shù)項(xiàng)（截距項(xiàng)） 
X = [ones(N, 1), X]; 

% 生成二項(xiàng)響應(yīng)變量（0 或 1） 
% 這里我們使用一個(gè)邏輯回歸模型來生成響應(yīng)變量，但使用不同的系數(shù) 
true_beta = [0.5; -0.3; 0.2]; % 真正的回歸系數(shù) 
p = 1 ./ (1 + exp(-X * true_beta)); % 計(jì)算響應(yīng)變量的概率 
y = rand(N, 1) < p; % 生成響應(yīng)變量 

% 使用 glmfit 進(jìn)行邏輯回歸 
% 指定響應(yīng)變量分布為 'binomial' 
beta_hat = glmfit(X(:,2:3), y, 'binomial'); % 注意：這里我們排除了常數(shù)項(xiàng)列 

% 輸出估計(jì)的回歸系數(shù) 
disp('Estimated coefficients:'); 
disp(beta_hat); 

% 計(jì)算預(yù)測(cè)的概率 p_hat = 1 ./ (1 + exp(-X * beta_hat)); % 注意：這里我們添加了常數(shù)項(xiàng)1 

% 評(píng)估模型性能 
% 例如，可以計(jì)算準(zhǔn)確率、精確率、召回率等，但這里我們僅計(jì)算準(zhǔn)確率作為示例 
predicted_y = p_hat > 0.5; % 使用 0.5 作為閾值進(jìn)行預(yù)測(cè) 
accuracy = mean(predicted_y == y); 
disp(['Accuracy: ', 
num2str(accuracy)]);

2348 0 0 收藏回復(fù)

北太天元應(yīng)用案例分享: 廣義線性模型

回復(fù)

回復(fù)

推薦話題

熱門標(biāo)簽

社區(qū)牛人

產(chǎn)品介紹

生態(tài)合作

服務(wù)支持

關(guān)于我們