glr

分类和回归/线性模型/广义线性回归/glr.md

@@ -26,9 +26,10 @@ $$E[Y] = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + … + \beta_{p-1} x_{p-1}$$
 - 响应变量$Y$和误差项$\epsilon$的分布推广至指数分散族(`exponential dispersion family`)。在`spark ml`中，广义线性回归支持的分布分别是正态分布、泊松分布、二项分布以及伽玛分布。
 - 连接方式：广义线性模型里采用的链接函数(`link function`)理论上可以是任意的，，而不再局限于$f(x)=x$。
 
-  这里需要重点说明一下链接函数。链接函数描述了线性预测$X\beta$与分布期望值$E[Y]$的关系。一般情况下，正态分布对应于恒等式，泊松分布对应于自然对数函数等。
+  这里需要重点说明一下链接函数。链接函数描述了线性预测$X\beta$与分布期望值$E[Y]$的关系：$E[Y] = \mu = g^{-1}(X\beta)$
+一般情况下，正态分布对应于恒等式，泊松分布对应于自然对数函数等。
 下面列出了`spark ml`中提供的链接函数。
 
 | 连接函数名称 | 公式 | 对应的指数分布 |
 |------------|-------|-------------|
-| identity（恒等）| $g=X\beta$ | 高斯分布，泊松分布，伽马分布 |
+| identity（恒等）| $\mu = X\beta$ | 高斯分布，泊松分布，伽马分布 |