GLM कैसे बनाएँ?

Python में Generalized Linear Models

Ita Cirovic Donev

Data Science Consultant

GLM के घटक

रैंडम घटक का सूत्री प्रतिनिधित्व

रैंडम और सिस्टमैटिक घटक का सूत्री प्रतिनिधित्व

इंटरैक्शन प्रभाव के साथ रैंडम और सिस्टमैटिक घटक का सूत्री प्रतिनिधित्व.

इंटरैक्शन और कर्विलीनियर प्रभाव के साथ रैंडम और सिस्टमैटिक घटक का सूत्री प्रतिनिधित्व.

रैंडम और सिस्टमैटिक घटक एवं लिंक फंक्शन का सूत्री प्रतिनिधित्व

सतत रैंडम वैरिएबल का वितरण प्लॉट.

डेटा टाइप: continuous
डोमेन: $(-\infty,\infty)$
उदाहरण: house price, salary, person's height

Family: Gaussian()
Link: identity
$g(\mu) = \mu = E(y)$

मॉडल = Linear regression

बाइनरी रैंडम वैरिएबल का वितरण प्लॉट.

डेटा टाइप: binary
डोमेन: $0,1$
उदाहरण: True/False

Family: Binomial()
Link: logit

मॉडल = Logistic regression

काउंट डेटा का वितरण प्लॉट.

डेटा टाइप: count
डोमेन: $0, 1, 2, ..., \infty$
उदाहरण: number of votes, number of hurricanes

Family: Poisson()
Link: logarithm

मॉडल = Poisson regression

घनत्व	Link: $\eta=g(\mu)$	डिफ़ॉल्ट लिंक	`glm(family=...)`
Normal	$\eta = \mu$	identity	`Gaussian()`
Poisson	$\eta = log(\mu)$	logarithm	`Poisson()`
Binomial	$\eta = log[p/(1-p)]$	logit	`Binomial()`
Gamma	$\eta = 1/\mu$	inverse	`Gamma()`
Inverse Gaussian	$\eta = 1/\mu^2$	inverse squared	`InverseGaussian()`

कई तरह के डेटा डिस्ट्रीब्यूशन के लिए एकीकृत फ्रेमवर्क
- Exponential family of distributions
लिंक फंक्शन
- y के अपेक्षित मान को ट्रांसफॉर्म करता है
- लीनियर कॉम्बिनेशन सक्षम करता है
- लीनियर मॉडल की कई तकनीकें GLMs पर भी लागू होती हैं

Python में Generalized Linear Models