M2-008M2: 经典机器学习逻辑回归与 GLMMedium
⚡闪卡盲测➔掌握度:

什么是广义线性模型(GLM)?它由哪三部分组成。

🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
下一题: M2-009 →
📐 核心数学机理公式
E[Y]=μ=g−1(Xw)\mathbb E[Y]=\mu=g^{-1}(Xw)
⚡ 一句话直击要害答案
GLM = 随机成分(指数族分布)+ 系统成分(线性预测子)+ 链接函数。

📌 核心要点提炼

  • •
    线性回归:Gaussian + identity
  • •
    逻辑回归:Bernoulli + logit
  • •
    Poisson 回归:Poisson + log,用于计数率

📐 数学机理与严密推导

GLM 的三个组件:① 随机成分——指定 Y 的分布属于指数族(Gaussian、Bernoulli、Poisson、Gamma、Inverse Gaussian 等),指数族的统一形式为 f(y;θ)=exp[(yθ−b(θ))/a(φ)+c(y,φ)],其中 b'(θ)=E[Y]、b''(θ)=Var[Y]·a(φ),这使方差与均值通过方差函数 V(μ) 关联;② 系统成分——线性预测子 η=Xw;③ 链接函数——单调可微的 g 使 g(μ)=η,即 μ=g⁻¹(Xw)。三个经典组合:线性回归(Gaussian + identity)、逻辑回归(Bernoulli + logit)、Poisson 回归(Poisson + log)。

🏭 深度剖析与工业落地权衡

GLM 的统一性带来三个实践优势:① 损失函数自动确定——由分布假设推出负对数似然,无需人工选择(如 Poisson 回归的损失是 Σ(μ−y log μ),而非 MSE);② 方差随均值变化——Poisson 的方差函数 V(μ)=μ(均值越大方差越大),这自动处理了计数数据的异方差,无需加权;③ 系数解释通过链接函数——log 链接下 e^{βⱼ} 是'率比'(rate ratio)。为什么 CTR 建模有时用 Poisson/Gamma:CTR 是'曝光中点击的比例',若把曝光视为'暴露量',点击数服从 Poisson(λ=曝光×CTR),用 Poisson 回归配合 offset 项 log(曝光) 可以正确处理不同曝光量下的方差差异——这比直接用二项逻辑回归在曝光量差异大时更稳。此外,过度离散的计数数据可用负二项 GLM(引入额外离散参数)或 Quasi-Poisson(只放宽方差为 φμ)。
⚠️ 常见面试陷阱与高频失分点
  • ✕
    把 GLM 当作'任何非线性模型'(它要求指数族 + 链接函数)
  • ✕
    对过度离散的计数数据直接用 Poisson GLM
🎯 面试官连环追问与延伸考察
  • ?
    为什么 CTR 建模常用 Poisson/Gamma?
  • ?
    log 链接如何保证预测非负?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔
📚

关联知识库专题与交互式导图

← 上一题M2-007: 解释 odds 与 log-odds,以及系数如何解释。📋 返回题库下一题 →M2-009: 逻辑回归与单层神经网络是什么关系?