线性回归回顾

线性回归是一种用于建立变量之间线性关系的统计模型。它通过拟合一个线性方程来预测一个连续型目标变量的值。线性回归的目标是找到最佳拟合直线，使得预测值与实际观测值之间的误差最小化。 广义线性回归是线性回归的扩展，它允许目标变量和预测变量之间的关系不仅仅是线性的。广义线性回归使用一个链接函数将预测变量的线性组合转换为目标变量的非线性函数。这样可以处理更广泛的问题，包括二分类、多分类和计数数据等。 例如，logistic回归是广义线性回归的一种形式，用于解决二分类问题。它使用logit函数将预测变量的线性组合转换为概率值，然后根据阈值将概率值转换为类别标签。 softmax回归是广义线性回归的另一种形式，用于解决多分类问题。它使用softmax函数将预测变量的线性组合转换为每个类别的概率值，然后选择具有最高概率的类别作为预测结果。