Date

3年前

一般化線形モデル従属変数の偏差分布が正規分布以外の分布形式を持つことを可能にする柔軟な線形回帰モデルです。

意味

一般化線形モデルは単純な最小二乗回帰の拡張であり、各データの観測値 $\text{[math]}$ が指数関数族分布に由来すると仮定され、分布の平均 ${\mu}$ を決定できます。独立した $\text{[math]}$ による

${E{ \left( {y} \right) }\text{ }=\text{ } \mu \text{ }=\text{ }g\mathop{{}}\nolimits^{{-1}} { \left( {X \beta } \right) }}$

このうち、 ${E{ \left( {y} \right) }}$ は $\text{[math]}$ の期待値、 ${X \beta }$ は推定すべき未知パラメータ ${\beta }$ および既知の変数 $\text{[math]}$ で構成される線形推定器、 $\text{[math]}$ はリンク関数です。

このモードでは、 $\text{[math]}$ $\text{[math]}$ の分散は次のように表すことができます。

${Var{ \left( {y} \right) }\text{ }=\text{ }V{ \left( { \mu } \right) }\text{ }=\text{ }V{ \left( {g\mathop{{}}\nolimits^{{-1}}{ \left( {X \beta } \right) }} \right) }}$

このうち、 $\text{[math]}$ は指数族確率変数の関数とみなすことができ、未知パラメータ ${\beta }$ は通常、最尤推定器、ほぼ最尤推定器、またはベイズ法によって推定されます。

モデル構成

一般化線形モードには、次の主要部分が含まれています。

1. 指数関数族の分布関数 $\text{[math]}$ 。

2. 線形予測子 ${ \eta \text{ }=\text{ }X \beta }$ 。

3. リンク関数 $\text{[math]}$ は ${E{ \left( {y} \right) }\text{ }=\text{ } \mu \text{ }=\text{ }g\mathop{{ } }\nolimits^{{-1}}{ \left( {\eta } \right) }}$ 。

参考文献

【1】一般化線形モデル - ウィキペディア

Build AI with AI

From idea to launch — accelerate your AI development with free AI co-coding, out-of-the-box environment and best price of GPUs.

AI Co-coding

Ready-to-use GPUs

Best Pricing

Get Started View Pricing

HyperAI Newsletters

最新情報を購読する

北京時間 毎週月曜日の午前9時 に、その週の最新情報をメールでお届けします

メール配信サービスは MailChimp によって提供されています

HyperAI

Date

3年前

一般化線形モデル従属変数の偏差分布が正規分布以外の分布形式を持つことを可能にする柔軟な線形回帰モデルです。

意味

${E{ \left( {y} \right) }\text{ }=\text{ } \mu \text{ }=\text{ }g\mathop{{}}\nolimits^{{-1}} { \left( {X \beta } \right) }}$

このモードでは、 $\text{[math]}$ $\text{[math]}$ の分散は次のように表すことができます。

${Var{ \left( {y} \right) }\text{ }=\text{ }V{ \left( { \mu } \right) }\text{ }=\text{ }V{ \left( {g\mathop{{}}\nolimits^{{-1}}{ \left( {X \beta } \right) }} \right) }}$

モデル構成

一般化線形モードには、次の主要部分が含まれています。

1. 指数関数族の分布関数 $\text{[math]}$ 。

2. 線形予測子 ${ \eta \text{ }=\text{ }X \beta }$ 。

3. リンク関数 $\text{[math]}$ は ${E{ \left( {y} \right) }\text{ }=\text{ } \mu \text{ }=\text{ }g\mathop{{ } }\nolimits^{{-1}}{ \left( {\eta } \right) }}$ 。

参考文献

【1】一般化線形モデル - ウィキペディア

Build AI with AI

From idea to launch — accelerate your AI development with free AI co-coding, out-of-the-box environment and best price of GPUs.

AI Co-coding

Ready-to-use GPUs

Best Pricing

Get Started View Pricing

HyperAI Newsletters

最新情報を購読する

北京時間 毎週月曜日の午前9時 に、その週の最新情報をメールでお届けします

メール配信サービスは MailChimp によって提供されています

HyperAI

Date

3年前

一般化線形モデル従属変数の偏差分布が正規分布以外の分布形式を持つことを可能にする柔軟な線形回帰モデルです。

意味

${E{ \left( {y} \right) }\text{ }=\text{ } \mu \text{ }=\text{ }g\mathop{{}}\nolimits^{{-1}} { \left( {X \beta } \right) }}$

このモードでは、 $\text{[math]}$ $\text{[math]}$ の分散は次のように表すことができます。

${Var{ \left( {y} \right) }\text{ }=\text{ }V{ \left( { \mu } \right) }\text{ }=\text{ }V{ \left( {g\mathop{{}}\nolimits^{{-1}}{ \left( {X \beta } \right) }} \right) }}$

モデル構成

一般化線形モードには、次の主要部分が含まれています。

1. 指数関数族の分布関数 $\text{[math]}$ 。

2. 線形予測子 ${ \eta \text{ }=\text{ }X \beta }$ 。

3. リンク関数 $\text{[math]}$ は ${E{ \left( {y} \right) }\text{ }=\text{ } \mu \text{ }=\text{ }g\mathop{{ } }\nolimits^{{-1}}{ \left( {\eta } \right) }}$ 。

参考文献

【1】一般化線形モデル - ウィキペディア

Build AI with AI

From idea to launch — accelerate your AI development with free AI co-coding, out-of-the-box environment and best price of GPUs.

AI Co-coding

Ready-to-use GPUs

Best Pricing

Get Started View Pricing

HyperAI Newsletters

最新情報を購読する

北京時間 毎週月曜日の午前9時 に、その週の最新情報をメールでお届けします

メール配信サービスは MailChimp によって提供されています

一般化線形モデル一般化線形モデル | Wiki | HyperAI超神経

Command Palette

一般化線形モデル一般化線形モデル

意味

モデル構成

参考文献

Build AI with AI

HyperAI Newsletters

Command Palette

一般化線形モデル一般化線形モデル

意味

モデル構成

参考文献

Build AI with AI

HyperAI Newsletters

Command Palette

一般化線形モデル一般化線形モデル

意味

モデル構成

参考文献

Build AI with AI

HyperAI Newsletters