广义线性模型（GLM）：理论与代码的入门指南

线性回归是一个很好的起步模型，但一旦您的数据不符合正态分布，它就会力不从心。

假设您要预测客户是否会流失（是/否的结果）。线性回归不懂得如何处理这种情况。它预测的是连续值，于是您会得到像 -0.3 或 1.7 这样的输出，而实际只能是 0 或 1。计数数据也有同样的问题，比如每小时的客服工单数量。线性回归可能会预测出负计数，这显然说不通。

广义线性模型（GLM）通过扩展线性回归来处理不同类型的结果，从而解决这些问题。核心思想相同——输入的线性组合——但具备对二元数据和其他非正态分布建模的灵活性。

在本文中，我将拆解 GLM 的概念，讲解其三个核心组成部分，并展示如何在 Python 和 R 中拟合与解释它们。

但线性回归究竟如何工作？请阅读我们的简单线性回归指南，了解其假设与诊断，以及如何解读结果。

什么是广义线性模型？

广义线性模型（GLM）是线性回归的扩展，允许响应变量遵循不同的概率分布，而不仅仅是正态分布。

这里需要牢记的一点是，GLM 不是单一模型，而是一个框架。线性回归、逻辑回归和 Poisson 回归都是 GLM。它们各自使用不同的分布和不同的输入到输出的连接方式，但都遵循相同的结构。

为何需要广义线性模型

标准线性回归有两个重要假设：结果服从正态分布，且方差在预测范围内保持不变。如果这些假设不成立，您会得到毫无意义的结果。

例如，如果您要构建一个模型来预测贷款申请人是否会违约，结果是二元的——0 或 1。线性回归不尊重这个边界。它可能预测 -0.2 或 1.4，这两者都不可能。

计数数据同样有此问题。如果您预测每月住院再入院的次数，线性回归可能输出负数。您不可能有 -3 次再入院。

两种情况下的问题并不在于输入的线性组合——这部分工作得很好。问题在于模型如何将这些输入映射到输出。GLM 通过加入链接函数来解决，它将输出变换到数据的自然取值范围内。概率保持在 0 到 1 之间；计数保持非负。稍后您会看到详细内容。

GLM 的三个组成部分

每个 GLM 都由三部分构成：分布、线性预测子和链接函数。下面逐一介绍。

随机成分（分布）

随机成分定义响应变量会产生何种类型的数据。换句话说，它选择最能描述结果的概率分布。

线性回归假设正态分布，因此结果是连续的，且围绕均值对称。但并非所有数据都如此。

如果结果是二元的（是/否、0/1），应使用二项分布。如果您在建模计数数据——比如每天的错误次数——Poisson 分布更合适。

您选择的分布会影响模型的其他一切。

系统成分（线性预测子）

系统成分就是您在线性回归中已经熟悉的部分。它是输入变量的线性组合：

系统成分

其中 X 是您的特征矩阵，β 是系数向量。您将每个特征乘以其权重再求和。

这一部分在不同 GLM 中并不改变。换言之，无论您拟合的是逻辑回归还是 Poisson 回归，线性预测子的形式看起来都一样。

链接函数

链接函数把线性预测子与响应变量的期望值连接起来。它让 GLM 具备了灵活性。

没有链接函数时，线性预测子的输出可以从负无穷到正无穷。这对连续结果没问题，但不适合概率或计数。链接函数会把输出变换到与所选分布相匹配的合理范围。

例如，逻辑回归使用logit 链接，它把可以为任意实数的线性预测子映射为 0 到 1 之间的概率。Poisson 回归使用对数链接（log link），确保预测始终为正。

完整的 GLM 方程把这三个部分结合起来：

GLM 方程

其中 g() 是链接函数，μ 是响应的期望值。分布定义了 μ 的含义，线性预测子计算 Xβ，而链接函数则把二者连接起来。

常见链接函数（直观理解）

链接函数决定了线性预测子如何转化为您的结果。不同数据类型需要不同的变换，每种 GLM 类型都有与其分布相配套的默认链接函数。

恒等链接（Identity）

恒等链接是最简单的——它什么也不做。线性预测子等于响应的期望值：

恒等链接

这就是线性回归所用的。您的输入加权求和，和本身就是预测。无需变换，因为结果可以取任意连续值。

Logit 链接

Logit 链接把一个概率（介于 0 和 1 之间）映射到整个实数轴：

Logit 链接

这就是逻辑回归所用的。线性预测子可以输出从负无穷到正无穷的任意值，但经过逆变换后，预测总是位于 0 和 1 之间。对数中的那个比值——μ/(1-μ)——称为赔率（odds），其对数即对数赔率（log-odds）。因此，当您解读逻辑回归的系数时，实际上是在对数赔率空间中工作。

对数链接（Log link）

对数链接取期望值的自然对数：

对数链接

这就是 Poisson 回归所用的。线性预测子可以是任意实数，但在对其取指数（逆变换）后，预测总为正。这正是计数数据所需，因为不可能有负事件数。

广义线性模型示例

在您将 GLM 与已有模型联系起来之前，它们可能显得很抽象。线性回归、逻辑回归和 Poisson 回归都是 GLM。唯一的区别在于它们各自使用了不同的分布与链接函数组合。

作为 GLM 的线性回归

线性回归是最简单的 GLM。响应服从正态分布，链接函数是恒等链接，意味着无需任何变换。

作为 GLM 的线性回归

线性预测子直接等于期望结果。这其实是您一直在使用的 GLM，只是没有这样称呼而已。

逻辑回归

逻辑回归用二项分布和 logit 链接来建模二元结果。

作为 GLM 的逻辑回归

左边是事件的对数赔率，右边是标准的输入线性组合。无论 Xβ 多大或多小，logit 链接都能确保预测映射到 0 到 1 之间的概率。

Poisson 回归

Poisson 回归使用 Poisson 分布与对数链接来建模计数数据。

作为 GLM 的 Poisson 回归

期望计数的对数等于线性预测子。若对双方取指数，就得到 μ = e^(Xβ)，其值始终为正——这正是计数数据的要求。

GLM 如何训练

GLM 不使用线性回归的普通最小二乘法。相反，它们依赖于极大似然估计（MLE）。

思想很直接。MLE 会找到一组系数，使得在所选分布下，您观察到的数据出现的概率最大。对于逻辑回归，它会找到在二项模型下最有可能产生观测到的 0 和 1 的系数。对于 Poisson 回归，它会找到最能解释观测计数的系数。

大多数 GLM 没有闭式解，因此优化是迭代进行的。算法从系数的初始猜测开始，评估其拟合程度，进行调整，并重复，直到估计收敛。

最常见的方法是迭代加权最小二乘（IRLS），它将 MLE 问题重写为一系列加权线性回归。基于梯度的方法也可行，因为它们计算最陡改进方向并沿该方向前进。像 statsmodels 和 R 的 glm() 等库会在幕后完成这些工作，因此您无需自己实现求解器。

需要记住的是，您选择分布和链接函数，优化器负责寻找最优系数。理解了思路——接下来我将展示其在实践中的运作方式。

Python 与 R 中的广义线性模型

本节中，我将使用同一份数据集，在 Python 和 R 中分别演示逻辑回归与 Poisson 回归——一个模拟的员工流失数据集，包含薪资、工作年限、加班时长、是否离职（二元）以及请病假天数（计数）等列。

数据集

我将先在 Python 中创建上述数据集，然后在 Python 和 R 中用于计算：

import numpy as np
import pandas as pd

np.random.seed(42)
n = 500

# Employee dataset
df = pd.DataFrame({
    "salary": np.random.normal(55000, 12000, n).astype(int),
    "experience_years": np.random.poisson(5, n),
    "overtime_hours": np.random.poisson(8, n),
})

# Simulate binary outcome: left the company
prob_left = 1 / (1 + np.exp(-(
    -2 + -0.00003 * df["salary"] + -0.05 * df["experience_years"] + 0.12 * df["overtime_hours"]
)))
df["left"] = np.random.binomial(1, prob_left)

# Simulate count outcome: sick days per year
df["sick_days"] = np.random.poisson(
    np.exp(1.2 + 0.00001 * df["salary"] + 0.02 * df["overtime_hours"])
)

# Save to use later in R
df.to_csv("data.csv", index=False)

df.head()

员工流失示例数据集

Python 实现

Python 提供了两种主要的 GLM 选项：statsmodels 和 scikit-learn。此处我将使用 statsmodels，因为它能提供完整的统计摘要，包括系数、p 值和置信区间。在解读 GLM 时，您会需要这些信息。

以下是如何拟合一个用于预测员工是否离职的逻辑回归：

import statsmodels.api as sm

X = sm.add_constant(df[["salary", "experience_years", "overtime_hours"]])
logit_model = sm.GLM(df["left"], X, family=sm.families.Binomial())
logit_results = logit_model.fit()

print(logit_results.summary())

GLM 逻辑回归结果

关键行是 sm.families.Binomial()。这一个参数同时设置了分布（二项）和默认链接函数（logit）。除非您想要非默认的链接，否则无需单独指定链接函数。

现在我们在同一数据集上拟合一个 Poisson 回归来预测病假天数：

poisson_model = sm.GLM(df["sick_days"], X, family=sm.families.Poisson())
poisson_results = poisson_model.fit()

print(poisson_results.summary())

GLM Poisson 回归结果

您只需将 Binomial() 替换为 Poisson()，模型就会使用带有对数链接的 Poisson 分布。输出表看起来相似，但由于链接函数不同，解释方式会改变。

下面我将把逻辑回归的预测概率与加班时长进行可视化对比：

离职预测概率与加班时长的关系

图表的 x 轴为加班时长，y 轴为离职概率。灰点为实际结果——要么 0（留下），要么 1（离开）。绿色曲线是模型的预测概率。随着加班时长增加，预测的离职概率上升，但永远不会低于 0 或超过 1。这就是 logit 链接的作用——无论输入值多极端，它都会把线性预测子压缩到有效的概率范围。

R 实现

R 内置的 glm() 函数遵循相同逻辑，但语法不同。family 参数设置分布和链接函数，模型通过 R 的公式接口来定义。

以下是在 R 中的同一逻辑回归：

# Read the dataset
df <- read.csv("data.csv")

# Fit logistic regression
logit_model <- glm(left ~ salary + experience_years + overtime_hours,
                   data = df,
                   family = binomial(link = "logit"))
summary(logit_model)

R 中的 GLM 逻辑回归

公式 left ~ salary + experience_years + overtime_hours 告诉 R 要预测什么以及使用哪些输入。family = binomial(link = "logit") 部分设置了分布和链接。由于 logit 是二项族的默认链接，您也可以简写为 family = binomial()。

Poisson 回归的写法基本相同：

poisson_model <- glm(sick_days ~ salary + experience_years + overtime_hours,
                     data = df,
                     family = poisson(link = "log"))
summary(poisson_model)

R 中的 GLM Poisson 回归

您只需把 binomial() 改为 poisson()，更换响应变量即可。

如何指定分布与链接

两种语言的做法相同——传入一个族/分布参数，它将分布与对应的默认链接函数组合在一起：

在 Python 与 R 中指定分布与链接

每个族都有默认链接，但您可以覆盖它。在 Python 中，您可以传入一个链接对象：sm.families.Binomial(link=sm.families.links.Probit())。在 R 中，只需更改链接参数：family = binomial(link = "probit")。

在大多数用例中，默认链接就是正确的选择。

解读 GLM 系数

GLM 的系数在不同模型类型中含义并不相同。链接函数会改变解读方式。

在线性回归中，解读很简单。experience_years 的系数为 500 意味着每增加一年经验，预测薪资增加 500。恒等链接使系数可以直接映射到结果上。

逻辑回归不同。logit 链接意味着系数处于对数赔率空间。overtime_hours 的系数为 0.12 并不意味着离职概率增加 0.12，而是意味着每增加一小时加班，离职的对数赔率增加 0.12。为获得更易解读的量，需要对系数取指数：e^0.12 ≈ 1.127。这给出赔率比。每多一小时加班，离职的赔率大约乘以 1.13。

Poisson 回归的系数通过对数链接起作用。overtime_hours 的系数为 0.02 意味着每增加一小时，加班会使期望计数的对数增加 0.02。对其取指数：e^0.02 ≈ 1.02，您会看到每多一小时加班，期望的病假天数大约乘以 1.02。

规律是始终应用链接函数的逆变换，把系数空间映射回结果空间。

何时使用广义线性模型

选择合适的 GLM 归根结底取决于一个问题：您的结果变量是什么样的？

如果结果是二元（是/否、0/1、通过/未通过），请使用逻辑回归。二项分布，logit 链接。它涵盖诸如预测流失、欺诈检测、疾病分类（有/无），或者患者是否会对治疗产生反应等分类任务。

如果结果是计数（在时间窗内的事件次数），请使用 Poisson 回归。Poisson 分布，对数链接。适用于预测诸如每小时网站访问次数或每年的保险理赔次数等问题。

如果结果是连续且大致正态（如收入、测试分数），标准线性回归就足够了。正态分布，恒等链接。这是您已经熟悉的 GLM。

始终从结果变量入手，为其匹配一个分布，链接函数也随之确定。

GLM 常见错误

以下是使用 GLM 时应避免的一些常见错误。

选择了错误的分布

这是最常见的错误。如果结果是计数却拟合了线性回归，您会得到负数预测。如果结果是二元的却使用了 Poisson，模型就不合理。务必先查看结果变量，并选择与之匹配的分布。

误解链接函数

链接函数会变换输入与输出之间的关系。逻辑回归的 0.5 系数并不意味着“概率上升 0.5”。它意味着对数赔率上升 0.5。忽视这种变换会导致对效应大小和变量重要性的错误结论。

跨模型类型误解系数

Poisson 回归中的系数与逻辑回归中的系数不可直接比较，即便数值看起来相似。0.3 的系数在通过对数链接还是 logit 链接时，含义完全不同。务必在所用具体模型的语境下解读系数。

忽视模型假设

GLM 比线性回归更灵活，但仍有其假设。Poisson 回归假设均值等于方差——如果您的计数数据方差远大于均值，模型的标准误会偏小，p 值会误导。逻辑回归假设观测相互独立。

要克服这些问题，在拟合任何 GLM 后，请检查残差，留意提示拟合不佳的模式。

结论

GLM 为您提供了一种有结构的方法，超越线性回归，同时仍遵循其基本逻辑。输入线性组合的理念保持不变，但分布与链接函数会根据数据而变化。

GLM 背后有三个组成部分。一旦您学会如何选择合适的分布、建立线性预测子并应用正确的链接函数，就能用同一套思维模型处理二元结果、计数和连续数据。

最佳的下一步就是动手试试。选取一个非正态结果的数据集，在 Python 或 R 中拟合 GLM，并练习通过链接函数来解读系数。选一个您关心的数据集，本文涉及的每一点理论都会在几分钟内豁然开朗。

如果您想超越线性回归与 GLM，欢迎参加我们的Python 机器学习科学家学习路径。它将帮助您在 2026 年具备上岗所需的一切。