Build your ultimate AI agent
课程介绍
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。
先修要求
课程大纲
课程大纲
1
GLM 入门
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。
2
二元数据建模
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。
3
计数数据建模
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。
4
多变量逻辑回归
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。
Python 中的广义线性模型
课程完成
