GLM.jl API速查手册lm、glm、fit三大构造函数与全部模型方法一览【免费下载链接】GLM.jlGeneralized linear models in Julia项目地址: https://gitcode.com/gh_mirrors/gl/GLM.jlGLM.jl 是 Julia 生态中最主流的广义线性模型Generalized Linear Models库。这份 GLM.jl API 速查手册带你快速掌握lm、glm、fit三大模型构造函数并一次性列出全部模型方法、11 种内置链接函数与常用关键字参数让你的 Julia 回归建模从翻文档变成查表格。一、三大构造函数lm、glm、fit 快速对比GLM.jl 提供三个层次的建模入口按需选择即可构造函数适用场景一句话说明源码位置lm普通线性回归OLS最常用的快捷方式src/lm.jlglm广义线性回归glm fit(GeneralizedLinearModel, ...)的别名src/glmfit.jlfit最通用入口通过传入模型类型对象控制拟合行为src/GLM.jlnegbin负二项回归二项分布 额外离散度的专用接口src/negbinfit.jl 核心规律每个构造函数都支持两种数据形态——公式式Formula 数据表和矩阵式设计矩阵X 响应向量y。lm一行代码拟合线性模型lm(formula(Height ~ Age), df) # 公式式data 为任意 Tables 数据表 lm(hcat(ones(n), df.Age), df.Height) # 矩阵式注意自行添加截距列glm指定分布与链接函数glm(formula(y ~ x1 x2), df, Binomial(), LogitLink())省略link参数时自动采用该分布的规范链接canonical link由canonicallink决定见 src/glmtools.jl。fit最通用的建模入口fit(LinearModel, X, y) fit(GeneralizedLinearModel, f, df, Poisson(), LogLink())fit同时提供fit!就地变体适合需要复用内存的批量拟合场景。二、全部模型方法一览拟合完成后以下方法可从模型对象中提取一切信息多数定义于 src/glmfit.jl 与 src/lm.jl系数与推断方法作用coef(mm)回归系数向量coeftable(mm)完整系数表含标准误、检验统计量、p 值confint(mm; level0.95)系数置信区间stderror(mm)系数标准误vcov(mm)系数协方差矩阵termnames(mm)模型项名称残差与诊断方法作用residuals(mm)残差默认偏差残差fitted(mm)拟合值devresid(mm)平方偏差残差leverage(mm)杠杆值cooksdistance(mm)Cook 距离影响力诊断linpred(mm)线性预测子 η Xβmodelmatrix(mm)模型设计矩阵预测方法作用predict(mm, newx)新数据预测值predict(mm, newx; interval:confidence, level0.95)带置信/预测区间的预测⚠️ 加权回归下暂不支持置信区间预测见 src/lm.jl。拟合优度与模型信息方法作用deviance(mm)/nulldeviance(mm)偏差 / 零模型偏差r2(mm)/adjr2(mm)决定系数及其调整版loglikelihood(mm)/nullloglikelihood(mm)对数似然 / 零模型对数似然dispersion(mm)过度离散参数nobs(mm)/dof(mm)/dof_residual(mm)样本量 / 自由度 / 残差自由度vif(mm)/gvif(mm)方差膨胀因子线性模型formula(mm)提取模型的公式对象hasintercept(mm)是否含截距模型比较ftestftest支持两种用法src/ftest.jlftest(mm)对整个线性模型做显著性 F 检验ftest(mm1, mm2, ...)比较嵌套模型等价于 ANOVA 分解输出各模型的 ΔDOF、ΔSSR、F 统计量与 p 值。三、11 种内置链接函数与支持的分布链接函数决定了线性预测子与均值的映射关系定义在 src/glmtools.jl链接函数典型搭配分布链接函数典型搭配分布IdentityLinkNormalLogLinkPoisson、GammaLogitLinkBernoulli、BinomialSqrtLinkPoissonProbitLinkBernoulliCauchitLinkBernoulliInverseLinkInverseGaussianCloglogLinkBernoulliPowerLinkGammaInverseSquareLink计数模型——NegativeBinomialLink负二项模型配套工具linkfunη g(μ)、linkinv/inverselinkμ g⁻¹(η)、canonicallink、glmvar方差函数 V(μ)、mustart初始均值。支持的响应分布共 8 种Normal、Bernoulli、Binomial、Poisson、Gamma、InverseGaussian、Geometric、NegativeBinomial均自 Distributions 重导出见 src/GLM.jl。四、常用关键字参数速查三大构造函数共享以下关键字详见 src/GLM.jl参数默认值说明dropcollineartrue自动剔除共线列其系数置 0、统计量置 NaNmethod:qr:qr更稳定:cholesky更快但数值上稍弱wts单位权重支持AnalyticWeights、FrequencyWeights、ProbabilityWeights等contrasts自动推断公式接口下自定义分类变量的编码方式glm/fit(GeneralizedLinearModel, ...)另有迭代控制参数offset线性预测子偏移量、maxiter30、atol/rtol1e-6收敛容差、minstepfac0.001、startβ 初值见 src/glmfit.jl。五、配套资料导航完整 API 参考文档docs/src/api.md官方文档示例含完整工作流docs/src/examples.md内置演示数据集data/admit.csv、data/anorexia.csv稀疏矩阵扩展SparseArrays 集成ext/GLMSparseArraysExt.jl使用建议日常分析优先用lm/glm公式接口需要控制分解方法、权重或迭代参数时切换到fit输出结果一律交给coeftable与predict即可覆盖 95% 的回归建模需求。【免费下载链接】GLM.jlGeneralized linear models in Julia项目地址: https://gitcode.com/gh_mirrors/gl/GLM.jl创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 GLM.jl API速查手册：lm、glm、fit三大构造函数与全部模型方法一览
GLM.jl API速查手册lm、glm、fit三大构造函数与全部模型方法一览【免费下载链接】GLM.jlGeneralized linear models in Julia项目地址: https://gitcode.com/gh_mirrors/gl/GLM.jlGLM.jl 是 Julia 生态中最主流的广义线性模型Generalized Linear Models库。这份 GLM.jl API 速查手册带你快速掌握lm、glm、fit三大模型构造函数并一次性列出全部模型方法、11 种内置链接函数与常用关键字参数让你的 Julia 回归建模从翻文档变成查表格。一、三大构造函数lm、glm、fit 快速对比GLM.jl 提供三个层次的建模入口按需选择即可构造函数适用场景一句话说明源码位置lm普通线性回归OLS最常用的快捷方式src/lm.jlglm广义线性回归glm fit(GeneralizedLinearModel, ...)的别名src/glmfit.jlfit最通用入口通过传入模型类型对象控制拟合行为src/GLM.jlnegbin负二项回归二项分布 额外离散度的专用接口src/negbinfit.jl 核心规律每个构造函数都支持两种数据形态——公式式Formula 数据表和矩阵式设计矩阵X 响应向量y。lm一行代码拟合线性模型lm(formula(Height ~ Age), df) # 公式式data 为任意 Tables 数据表 lm(hcat(ones(n), df.Age), df.Height) # 矩阵式注意自行添加截距列glm指定分布与链接函数glm(formula(y ~ x1 x2), df, Binomial(), LogitLink())省略link参数时自动采用该分布的规范链接canonical link由canonicallink决定见 src/glmtools.jl。fit最通用的建模入口fit(LinearModel, X, y) fit(GeneralizedLinearModel, f, df, Poisson(), LogLink())fit同时提供fit!就地变体适合需要复用内存的批量拟合场景。二、全部模型方法一览拟合完成后以下方法可从模型对象中提取一切信息多数定义于 src/glmfit.jl 与 src/lm.jl系数与推断方法作用coef(mm)回归系数向量coeftable(mm)完整系数表含标准误、检验统计量、p 值confint(mm; level0.95)系数置信区间stderror(mm)系数标准误vcov(mm)系数协方差矩阵termnames(mm)模型项名称残差与诊断方法作用residuals(mm)残差默认偏差残差fitted(mm)拟合值devresid(mm)平方偏差残差leverage(mm)杠杆值cooksdistance(mm)Cook 距离影响力诊断linpred(mm)线性预测子 η Xβmodelmatrix(mm)模型设计矩阵预测方法作用predict(mm, newx)新数据预测值predict(mm, newx; interval:confidence, level0.95)带置信/预测区间的预测⚠️ 加权回归下暂不支持置信区间预测见 src/lm.jl。拟合优度与模型信息方法作用deviance(mm)/nulldeviance(mm)偏差 / 零模型偏差r2(mm)/adjr2(mm)决定系数及其调整版loglikelihood(mm)/nullloglikelihood(mm)对数似然 / 零模型对数似然dispersion(mm)过度离散参数nobs(mm)/dof(mm)/dof_residual(mm)样本量 / 自由度 / 残差自由度vif(mm)/gvif(mm)方差膨胀因子线性模型formula(mm)提取模型的公式对象hasintercept(mm)是否含截距模型比较ftestftest支持两种用法src/ftest.jlftest(mm)对整个线性模型做显著性 F 检验ftest(mm1, mm2, ...)比较嵌套模型等价于 ANOVA 分解输出各模型的 ΔDOF、ΔSSR、F 统计量与 p 值。三、11 种内置链接函数与支持的分布链接函数决定了线性预测子与均值的映射关系定义在 src/glmtools.jl链接函数典型搭配分布链接函数典型搭配分布IdentityLinkNormalLogLinkPoisson、GammaLogitLinkBernoulli、BinomialSqrtLinkPoissonProbitLinkBernoulliCauchitLinkBernoulliInverseLinkInverseGaussianCloglogLinkBernoulliPowerLinkGammaInverseSquareLink计数模型——NegativeBinomialLink负二项模型配套工具linkfunη g(μ)、linkinv/inverselinkμ g⁻¹(η)、canonicallink、glmvar方差函数 V(μ)、mustart初始均值。支持的响应分布共 8 种Normal、Bernoulli、Binomial、Poisson、Gamma、InverseGaussian、Geometric、NegativeBinomial均自 Distributions 重导出见 src/GLM.jl。四、常用关键字参数速查三大构造函数共享以下关键字详见 src/GLM.jl参数默认值说明dropcollineartrue自动剔除共线列其系数置 0、统计量置 NaNmethod:qr:qr更稳定:cholesky更快但数值上稍弱wts单位权重支持AnalyticWeights、FrequencyWeights、ProbabilityWeights等contrasts自动推断公式接口下自定义分类变量的编码方式glm/fit(GeneralizedLinearModel, ...)另有迭代控制参数offset线性预测子偏移量、maxiter30、atol/rtol1e-6收敛容差、minstepfac0.001、startβ 初值见 src/glmfit.jl。五、配套资料导航完整 API 参考文档docs/src/api.md官方文档示例含完整工作流docs/src/examples.md内置演示数据集data/admit.csv、data/anorexia.csv稀疏矩阵扩展SparseArrays 集成ext/GLMSparseArraysExt.jl使用建议日常分析优先用lm/glm公式接口需要控制分解方法、权重或迭代参数时切换到fit输出结果一律交给coeftable与predict即可覆盖 95% 的回归建模需求。【免费下载链接】GLM.jlGeneralized linear models in Julia项目地址: https://gitcode.com/gh_mirrors/gl/GLM.jl创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考