Spark MLlib模型训练—回归算法 GLR( Generalized Linear Regression)
在大数据分析中，线性回归虽然常用，但在许多实际场景中，目标变量和特征之间的关系并非线性，这时广义线性回归（Generalized Linear Regression, GLR）便应运而生。GLR 是线性回归的扩展，能够处理非正态分布的目标变量，广泛用于分类、回归以及其他统计建模任务。本文将深入探讨 Spark 中的广义线性回归，包括其背后的数学原理、使用场景、代码实现、参数解析、以及模型结果的解读。
广义线性回归的基本原理
广义线性回归模型 (GLM) 是线性回归的推广，主要包括以下三个部分：
-
线性预测器：将特征 ( X ) 和回归系数 β \beta β 通过线性组合形成线性预测器 η \eta η：
η = X β \eta = X\beta η=Xβ
-
连接函数 (Link Function)：连接函数 ( g(\cdot) ) 将线性预测器 ( \eta ) 与期望的目标变量 ( E(Y) ) 关联：
g ( E ( Y