什么是通用线性模型（什么是核函数的svm线性分类模型）

广义线性模型和一般线性模型的区别
广义线性模型（GLM）。这种模型是把自变量的线性预测函数当作因变量的估计值。在机器学习中，有很多模型都是基于广义线性模型的，比如传统的线性回归模型，最大熵
模型，Logistic回归，softmax回归。
广义线性模型GLM很简单，举个例子，物的疗效和物的剂量有关。这个相关性可能是多种多样的，可能是简单线性关系（发烧时吃一片退烧0.1度，两片退烧0.2度，以此类推；这种情况就是一般线性模型），也可能是比较复杂的其他关系，如指数关系（一片退烧0.1度，两片退烧0.4度），对数关系等等。这些复杂的关系一般都可以通过一系列数学变换变成线性关系，以此统称为广义线性模
而对于广义线性混合模型GLMM比较复杂，GLM要求观测值误差是随机的，而GLMM则要求误差值并非随机，而是呈一定分布的。举个例子，我们认为疗效可能与服时间相关，但是这个相关并不是简简单单的疗效随着服时间的变化而改变。更可能的是疗效的随机波动的程度与服时间有关。比如说，在早上10：00的时候，所有人基本上都处于半饱状态，此时吃，相同剂量物效果都差不多。但在中午的时候，有的人还没吃饭， 有的人吃过饭了，有的人喝了酒，结果酒精和物起了反应，有的人喝了醋，醋又和物起了另一种反应。显然，中午吃会导致物疗效的随机误差非常大。这种疗效的随机误差（而非疗效本身）随着时间的变化而变化，并呈一定分布的情况，必须用广义线性混合模型了。
什么是线性回归模型？
1、有的假定不直接涉及总体分布形式,如在回归分析中常假定分析对象可表示为一些影响因素的线性函数称为线性回归模型
文献来源

2、有的假定不直接涉及总体分布形式如在回归分析中常假定分析对象可表示为一些影响因素的线性函数称为线性回归模型
文献来源

3、+βpxp+e(1.2)称为线性回归模型.假设我们对模型(1.2)中的变量y,x1,x2,.,xp进行了n次观测,得到n组观测值yi,xi1,xi2,
文献来源

一元线性回归模型是用于分析一个自变量（X）与一个因变量（Y）之间线性关系的数学方程。一般形式为：
（5.5）
式中： 是因变量Y的估计值，也称理论值。X是自变量， 为未知参数。 是直线方程的截距，即 时的 值； 是回归直线的斜率，也称回归系数，表示自变量每变化一个单位时 的增量（ ）它的符号与相关系数 是一致的，当 >0时，表示X与 同方向变化；当 <0时，表示X与 反方向变化；当 =0时，表示自变量X与因变量 之间不存在线性关系，无论X取何值， 为一常数。
什么是非线性模型的线性化
所以这一点有时不是很明显，但很可惜很多时候由于我们并没有用不同的字母来表示，或者研究一个例子非线性系统理论（nonlinear systems theory），如果想要用学过的线性控制理论知识解决问题。），则可以按照系统运动规律给出它的数据模型，是在自动控制理论中研究非线性系统的运动规律和分析方法的一个分支学科，线性化只在进行线性化那一点的附近区域比较准确。
首先。而我们最关心的区域一般都是平衡点附近。以最简单的一阶无输入时不变系统为例。线性化里进行了一次坐标变换，那就是上述两个式子里的x其实是不同的（如果式子里有u：，就能发现。
非线性系统最重要的问题之一就是确定模型的结构;dt = f(x) 变成 dx#47，于是都是在平衡点附近做线性化，其实只要你推导一遍。后一个应该写成 dz/dt = Ax，那么两个u也是不同的，只有在平衡点附近的线性化是有意义的，如果对系统的运动有足够的知识。这里有一个初学者很容易忽略的问题，远了就不准了。
线性化就是将 dx/dt = Az 更合适。
。
第二