Cara membangun GLM?

Generalized Linear Models di Python

Ita Cirovic Donev

Data Science Consultant

Komponen GLM

Representasi rumus untuk komponen acak

Representasi rumus untuk komponen acak dan sistematis

Representasi rumus untuk komponen acak dan sistematis dengan ilustrasi efek interaksi.

Representasi rumus untuk komponen acak dan sistematis dengan ilustrasi efek interaksi dan kurvilinear.

Representasi rumus untuk komponen acak dan sistematis serta fungsi link

Plot sebaran peubah acak kontinu.

Tipe data: kontinu
Domain: $(-\infty,\infty)$
Contoh: harga rumah, gaji, tinggi badan

Keluarga: Gaussian()
Link: identitas
$g(\mu) = \mu = E(y)$

Model = Regresi linear

Plot sebaran peubah acak biner.

Tipe data: biner
Domain: $0,1$
Contoh: Benar/Salah

Keluarga: Binomial()
Link: logit

Model = Regresi logistik

Plot sebaran data cacah.

Tipe data: cacah
Domain: $0, 1, 2, ..., \infty$
Contoh: jumlah suara, jumlah badai

Keluarga: Poisson()
Link: logaritma

Model = Regresi Poisson

Kerapatan	Link: $\eta=g(\mu)$	Link bawaan	`glm(family=...)`
Normal	$\eta = \mu$	identitas	`Gaussian()`
Poisson	$\eta = log(\mu)$	logaritma	`Poisson()`
Binomial	$\eta = log[p/(1-p)]$	logit	`Binomial()`
Gamma	$\eta = 1/\mu$	invers	`Gamma()`
Inverse Gaussian	$\eta = 1/\mu^2$	invers kuadrat	`InverseGaussian()`

Kerangka terpadu untuk berbagai sebaran data
- Keluarga sebaran eksponensial
Fungsi link
- Mentransformasi nilai harapan y
- Memungkinkan kombinasi linear
- Banyak teknik dari model linear berlaku juga untuk GLM

Generalized Linear Models di Python