原文鏈接：http://tecdat.cn/?p=14874

通常，GLM的連接函數(shù)可能比分布更重要。為了說明，考慮以下數(shù)據(jù)集，其中包含5個觀察值

x = c(1,2,3,4,5)y = c(1,2,4,2,6)base = data.frame(x,y)

然后考慮具有不同分布的幾個模型，以及一個鏈接

regNId = glm(y~x,family=gaussian(link="identity"),data=base)regNlog = glm(y~x,family=gaussian(link="log"),data=base)regPId = glm(y~x,family=poisson(link="identity"),data=base)regPlog = glm(y~x,family=poisson(link="log"),data=base)regGId = glm(y~x,family=Gamma(link="identity"),data=base)regGlog = glm(y~x,family=Gamma(link="log"),data=base)regIGId = glm(y~x,family=inverse.gaussian(link="identity"),data=base)regIGlog = glm(y~x,family=inverse.gaussian(link="log"),data=base

還可以考慮一些Tweedie分布，甚至更一般

考慮使用線性鏈接函數(shù)在第一種情況下獲得的預測

plot(x,y,pch=19)abline(regNId,col=darkcols[1])abline(regPId,col=darkcols[2])abline(regGId,col=darkcols[3])abline(regIGId,col=darkcols[4])abline(regTwId,lty=2)

這些預測非常接近。在指數(shù)預測的情況下，我們獲得

我們實際上可以近距離看。例如，在線性情況下，考慮使用Tweedie模型獲得的斜率(實際上將包括此處提到的所有參數(shù)famile)

這里的坡度總是非常接近，如果我們添加一個置信區(qū)間，則

對于Gamma回歸或高斯逆回歸，由于方差是預測的冪，因此，如果預測較小，則方差應(yīng)該較小。因此，在圖的左側(cè)，誤差應(yīng)該較小，并且方差函數(shù)的功效更高。

plot(Vgamma,Verreur,type="l",lwd=3,ylim=c(-.1,.04),xlab="power",ylab="error")abline(h=0,lty=2)

當然，我們可以對指數(shù)模型做同樣的事情

或者，如果我們添加置信區(qū)間，我們將獲得

??

因此，這里的“斜率”也非常相似...如果我們看一下在圖表左側(cè)產(chǎn)生的誤差，可以得出

plot(Vgamma,Verreur,type="l",lwd=3,ylim=c(.001,.32),xlab="power",ylab="error")

因此，分布通常也不是GLM上最重要的一點。

點擊標題查閱往期內(nèi)容

R語言中的廣義線性模型(GLM)和廣義相加模型(GAM)：多元(平滑)回歸分析保險資金投資組合信用風險敞口R語言中GLM(廣義線性模型)，非線性和異方差可視化分析R和Python機器學習:廣義線性回歸glm，樣條glm，梯度增強，隨機森林和深度學習模型分析R語言如何和何時使用glmnet嶺回歸R語言使用二元回歸將序數(shù)數(shù)據(jù)建模為多元GLMR語言非參數(shù)模型厘定保險費率：局部回歸、廣義相加模型GAM、樣條回歸R語言通過伽瑪與對數(shù)正態(tài)分布假設(shè)下的廣義線性模型對大額索賠進行評估預測R語言對巨災(zāi)風險下的再保險合同定價研究案例：廣義線性模型和帕累托分布Pareto distributions分析R語言中的廣義線性模型(GLM)和廣義相加模型(GAM)：多元(平滑)回歸分析保險資金投資組合信用風險敞口R和Python機器學習:廣義線性回歸glm，樣條glm，梯度增強，隨機森林和深度學習模型分析在r語言中使用GAM(廣義相加模型)進行電力負荷時間序列分析

更多內(nèi)容，請點擊左下角“”查看報告全文

關(guān)注我們

案例精選、技術(shù)干貨 第一時間與您分享

長按二維碼加關(guān)注

更多內(nèi)容，請點擊左下角“”查看報告全文

總結(jié)

以上是生活随笔為你收集整理的c++ error函数_R语言中广义线性模型(GLM)中的分布和连接函数分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。