直线思维的进化：线性到广义线性

在数据科学领域，线性模型 和广义线性模型是两种基础且重要的统计工具，

它们被广泛应用于各种预测和分析任务中，从简单的回归问题到复杂的分类场景。

今天，让我们深入探讨这两种模型，了解它们的原理、区别以及实际应用。

1. 线性模型：统计分析的基石

线性模型是统计学中最早被提出和广泛应用的一类模型。

其基本思想是假设因变量 （响应变量）与自变量（解释变量）之间存在线性关系。

数学上，线性回归模型可以表示为： y = \\beta_0 + \\beta_1 x_1 + \\cdots + \\beta_p x_p + \\epsilon

其中：

其中， y \\(\是因变量，\\\) x_1,x_2,...,x_p \\(\是自变量，\\\) \\beta_1,\\beta_2,...,\\beta_p \\(\是模型参数，\\\) \\epsilon 是误差项，通常假设误差项服从均值为0的正态分布 。

这种模型通过最小二乘法估计参数，广泛应用于房价预测、销量分析等连续值预测场景。其优势在于：

1. 可解释性强：参数直接反映变量影响程度
2. 计算高效：存在解析解（当矩阵可逆时）
3. 易于实现：几乎所有统计软件都支持

2. 线性模型的"软肋"

然而，现实世界的数据往往比直线复杂得多。线性模型的局限性开始显现：

1. 关系局限性：只能捕捉线性关系，对非线性模式（如指数增长、周期性波动）无能为力
2. 分布局限性：要求误差项服从正态分布，当数据存在异方差或重尾分布时效果骤降
3. 因变量局限性：只能处理连续型因变量，无法直接处理分类变量或计数数据
4. 边界局限性：预测值可能超出合理范围（如概率预测时出现>1或<0的值）

这些局限促使统计学家们思考：能否扩展线性模型的核心思想，同时突破这些限制？

答案正是广义线性模型 （GLM）。

3. 线性模型的"进化"

广义线性模型在传统线性模型的基础上进行了扩展，放宽了对响应变量分布和线性关系的限制，使其能够适应更广泛的数据类型和复杂关系。

与线性模型 相比，广义线性模型主要改进的地方有3个：

3.1. 因变量分布

线性模型 假设因变量 ( y )是连续型变量，且服从正态分布（误差项服从独立同分布的正态分布）。

例如：简单线性回归、多元线性回归。

而广义线性模型允许响应变量来自指数族分布，包括正态分布、二项分布、泊松分布、伽玛分布等。

这意味着广义线性模型可以适用于更多类型的数据，如二分类数据（使用二项分布）、计数数据（使用泊松分布）等。

例如：逻辑回归（二分类问题，二项分布）、泊松回归（计数数据，泊松分布）。

3.2. 模型结构

线性模型 直接假设因变量的均值与线性预测器（ \\eta = \\beta_0 + \\beta_1 x_1 + \\cdots + \\beta_p x_p ）相等：

y = \\eta + \\epsilon 误差项独立同分布于正态分布

而广义线性模型 （GLM）通过连接函数 g(\\mu) 将均值 \\mu 与线性预测器 ( \\eta = \\beta_0 + \\beta_1 x_1 + \\cdots + \\beta_p x_p ) 关联：

g(\\mu) = \\eta = \\beta_0 + \\beta_1 x_1 + \\cdots + \\beta_p x_p

具体来说，比如逻辑回归 模型，使用对数几率函数 作为连接函数：

\\mu = p \\(，\\) g(\\mu) = \\text{logit}(p) = \\ln\\left(\\frac{p}{1-p}\\right) = \\eta

其中，连接函数必须是单调可微的，例如：

• 逻辑函数（逻辑回归，连接二项分布）
• 对数函数（泊松回归，连接泊松分布）。

3.3. 参数估计方法

最后，在参数估计方面，线性模型 使用最小二乘法 （OLS），通过最小化残差平方和求解参数。

而广义线性模型 （GLM）使用极大似然估计 （MLE），通过最大化似然函数求解参数，通常需迭代优化（如牛顿-拉夫森算法）。

3.4. 两者区别

总得来说，两者的主要区别如下表：

特性	线性模型	广义线性模型
目标变量分布	正态分布	指数分布族（泊松、二项、伽马等）
连接函数	恒等函数	Logit、Log、逆函数等
适用场景	连续值预测	分类、计数、偏态数据等
参数估计方法	最小二乘法	最大似然估计

4. 示例比较

理论再多，不如一个示例来的直接，下面我们先通过scikit-learn中的make_moons函数生成一个包含 1000 个样本的月牙形数据集。

import matplotlib.pyplot as plt
from sklearn.datasets import make_moons

# 生成月牙形数据集
X, y = make_moons(n_samples=1000, noise=0.1, random_state=42)

plt.scatter(X[:, 0], X[:, 1], marker="o", c=y, s=25)
plt.show()

从图中可以明显看出，这个数据集呈现出非线性的分布。

然后比较使用线性模型 和广义线性模型训练之后的准确率。

from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression, LogisticRegression
from sklearn.metrics import accuracy_score
from sklearn.preprocessing import PolynomialFeatures


# 生成月牙形数据集
X, y = make_moons(n_samples=1000, noise=0.1, random_state=42)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 线性模型（线性回归）
linear_model = LinearRegression()
linear_model.fit(X_train, y_train)
# 线性回归预测的是连续值，我们将其转换为分类结果
linear_pred = (linear_model.predict(X_test) > 0.5).astype(int)
linear_accuracy = accuracy_score(y_test, linear_pred)

# 广义线性模型（逻辑回归）
# 先进行多项式特征转换
poly = PolynomialFeatures(degree=3)
X_train_poly = poly.fit_transform(X_train)
X_test_poly = poly.transform(X_test)

logistic_model = LogisticRegression()
logistic_model.fit(X_train_poly, y_train)
logistic_pred = logistic_model.predict(X_test_poly)
logistic_accuracy = accuracy_score(y_test, logistic_pred)

print(f"线性回归的准确率: {linear_accuracy:.2f}")
print(f"逻辑回归的准确率: {logistic_accuracy:.2f}")

训练结果：

线性回归的准确率: 0.87
逻辑回归的准确率: 0.99

在非线性数据集上，明显看出广义线性模型 （逻辑回归）的准确率要高出一截。

5. 总结

总之，线性模型 和广义线性模型都是数据科学中重要的建模工具。

线性模型以其简单性和可解释性在连续型数据的回归分析中表现出色，但在面对非正态分布的响应变量和非线性关系时存在局限。

广义线性模型通过放宽对响应变量分布的假设并引入链接函数，能够适应更广泛的数据类型和复杂关系，在分类、计数等场景中具有明显优势。

在实际应用中，我们需要根据数据的特点和分析目标选择合适的模型，并结合具体的算法和工具进行实现和优化。