深入GLM统一框架的链接函数机制

CH-06-03-011·约 17 分钟·机器学习·更新 2026-08-10

想象你是跨国餐饮集团“风味世界”的总部品控官。几十家门店口味各异，但你只关心一件事：每家店的综合体验分。总部有一套统一的评分公式——口味分×权重 + 服务分×权重 + 环境分×权重，算出一个线性综合分 η。可问题来了：不同门店的顾客“表达满意度”的方式完全不同。有的店顾客打 1-5 分（连续评分），有的店顾客只回答“下次还来不来”（二选一），还有的店统计“这周收到几条投诉”（整数计数）。同一套 η，怎么翻译成三种完全不同的业务指标？答案就是 GLM 里的链接函数——它像一位精通多国语言的“翻译官”，把总部的统一评分翻译成各种顾客表达方式听得懂的“语言”。这篇内容，就是带你走进 GLM 的厨房，看看这位翻译官怎么工作。

岗位关联

掌握 GLM 统一框架，你就能一眼看穿线性回归、逻辑回归、泊松回归背后的共同骨架，这对 AI 从业者做模型选型、特征设计和结果解读都具有直接的职业价值。

可视化演示
GLM三大要素——一台翻译机的三个零件
指数族分布——顾客表达的“语言家族”
系统分量建模——总部的综合评分公式
链接函数总览——翻译官的工作台
恒等链接——最省事的翻译官
logit链接——把评分压进[0,1]的翻译官
log链接——计数场景的指数放大器
链接函数选择——怎么挑翻译官
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

动态演示深入GLM统一框架的链接函数的核心机制，通过概览/流程/对比/趋势四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

深入GLM统一框架的链接函数：GLM三 GLM三大组件的内部关联机制正则链接与非正则链接的数学原理核心机制可视化深入GLM统一框架的链接函数整体架构与关键组件

GLM三大要素——一台翻译机的三个零件

“风味世界”的品控流程有三个环节：先看顾客怎么表达（评分/回访/投诉），再用总部公式算综合分 η，最后请翻译官把 η 转成顾客表达所需的指标。GLM 把这套流程抽象成三个部件：随机分量描述因变量 Y 服从什么分布，系统分量描述特征如何线性组合成 η，链接函数把二者桥接起来。三者缺一不可，这就是“广义线性”里的“广义”所在——线性不在 Y 身上，而在 η 身上。

从概念上讲，随机分量回答“数据是什么类型”，系统分量回答“用什么公式算”，链接函数回答“怎么把公式结果翻译给分布”。正是因为这三个零件可以自由组合，线性回归、逻辑回归、泊松回归才能被装进同一个框架。你不需要为每种模型重新发明轮子，只需要换掉两个零件。

技术上看，GLM 的完整表达式如下：

打个比方：总部定好综合分公式，翻译官负责把 η 说成顾客听得懂的话。三种模型只是“翻译官”不同——这就是 GLM 统一框架的精髓。

\displaystyle Y \sim \text{ExpFamily}(\mu),\quad \eta = X\beta,\quad g(\mu) = \eta

这个公式说的是：因变量 Y 服从某个指数族分布，其均值是 μ；同时特征 X 通过系数 β 线性组合成 η；链接函数 g 负责把 μ 翻译到与 η 相同的尺度。

因变量 Y 服从指数族分布Y 的随机波动围绕均值 μ，分布类型由数据性质决定（连续、二值、计数）。
$Y \sim \text{ExpFamily}(\mu)$
系统分量 η = Xβ把每个特征乘上对应权重再加总，得到线性预测值。
$\eta = X\beta$
链接函数 g(μ) = η将均值 μ 映射到线性预测值所在尺度。
$g(\mu) = \eta$
逆变换还原均值预测时由 η 反推出 μ。
$\mu = g^{-1}(\eta)$

指数族分布——顾客表达的“语言家族”

不同门店的顾客表达满意度，用的“语言”完全不同：评分店是连续数值，回访店是是/否，投诉店是整数计数。GLM 不是所有分布都能处理，它只服务一个庞大的“语言家族”——指数族分布。正态、二项、泊松都是这个家族的成员，它们共享一个统一的概率密度表达。

概念上，指数族分布就像家族里说着不同方言的亲戚：正态分布说话流畅连续，适合评分；二项分布只说“是/否”两个字，适合回访；泊松分布只数“几次”，适合投诉次数。GLM 选择哪个成员，取决于因变量本身的性质，而不是随心所欲。

指数族的密度通式如下：

家族选对了，翻译官才好干活——正态配恒等、二项配 logit、泊松配 log，链条便自然咬合。

\displaystyle f(y;\theta,\phi)=\exp\left\{\frac{y\theta-b(\theta)}{a(\phi)}+c(y,\phi)\right\}

这个通式看上去吓人，本质是把分布的概率密度拆成“自然参数 θ、累积函数 b(θ)、离散参数 φ”三块，而 θ 恰好与线性预测器存在天然联系。

自然参数 θθ 是分布的核心参数，很多分布的 θ 最终会被设成等于 η。
$\theta = \eta$
累积函数 b(θ)b(θ) 的导数就是均值 μ，二阶导数就是方差，所以它像“信息仓库”。
$\mu = b'(\theta)$
离散参数 φφ 控制分布离散程度，例如正态分布中的方差。
$\phi = \sigma^2$
归一化部件 c(y,φ)保证密度函数积分等于 1，属于“背景设置”。
$c(y,\phi)$

系统分量建模——总部的综合评分公式

无论顾客用哪种语言表达，总部永远只发一份“综合体验分”。这份分数就是系统分量，它是特征的线性加权组合：口味分、服务分、环境分各自乘一个权重，再加总得到 η。为什么坚持“线性”？因为线性组合简单、可解释、可微，是整座模型大厦最稳定的地基。

概念上，η 就像餐厅点评 App 的总评分：口味 4.8、服务 4.5、环境 4.7，权重分别是 0.5、0.3、0.2，那么 η=4.8×0.5+4.5×0.3+4.7×0.2=4.69。每一个系数都回答“这个特征有多重要”。

数学上，系统分量的形式为：

系统分量是“统一评分”，链接函数是“翻译”，随机分量是“顾客表达”——三者各司其职。

\displaystyle \eta = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \cdots + \beta_p x_p

它就是把截距 β₀ 和各特征 x_i 的加权和累加起来。经典线性回归中，η 直接就等于均值 μ，因为没有翻译环节。

截距 β₀所有特征为零时的基础评分。
$\beta_0$
系数 β_i第 i 个特征每增加一个单位，η 变化 β_i。
$\beta_i x_i$
累加求和从 1 到 p 把每一项加总。
$\sum_{i=1}^{p}\beta_i x_i$

链接函数总览——翻译官的工作台

翻译官 g 的核心职责只有一件：把总部的 η 翻译成顾客表达需要的 μ。它同时还要能“反向翻译”，把 μ 翻回 η，这样模型才能做参数估计。这正对应链接函数的双向性：g(μ)=η 是正向链接，μ=g⁻¹(η) 是逆链接。

概念上，翻译必须是“同义替换”，不能改变业务含义。η 是个可正可负的实数，但概率必须落在 [0,1]，计数必须大于 0，评分均值可以取实数。所以链接函数本质是一张“值域匹配表”：正态分布配恒等链接（值域全体实数），二项分布配 logit（值域 0-1），泊松分布配 log（值域正数）。

链接函数的形式化定义：

选翻译官的标准很简单：先看数据值域，再看解释习惯。值域不匹配，就像把中文诗直译成英文诗，形在神亡。

\displaystyle g(\mu)=\eta,\quad \mu=g^{-1}(\eta)

这组式子是链接函数的“身份证”：g 把均值搬上线性尺，g⁻¹ 把线性尺搬回均值空间。

正向链接 g(μ)=η把均值压缩或拉伸到线性空间。
$g(\mu)=\eta$
逆链接 μ=g⁻¹(η)预测时把线性值还原成均值。
$\mu=g^{-1}(\eta)$

恒等链接——最省事的翻译官

当顾客直接打 1-5 分时，总部发现一个有趣的事实：综合体验分 η 本来就是分数尺度，不需要任何翻译。这位“什么也不做”的翻译官，就是恒等链接（identity link）。

恒等链接对应正态分布假设下的经典线性回归：Y 围绕均值 μ 呈高斯波动，而 μ 直接等于 η。这就是你在统计课上学过的“最小二乘回归”的 GLM 形态——不是新模型，只是框架中的特例。

公式极其简洁：

恒等链接适合连续、无边界、波动对称的数据。若强行把它用在二分类上，η 一旦超过 [0,1]，预测概率就会“越界”，这正是它最典型的翻车现场。

\displaystyle g(\mu)=\mu,\quad \text{即}\quad \mu=\eta

恒等链接说：均值和线性预测值是一回事，不需要任何变换。

链接函数取恒等g 对 μ 不做任何操作。
$g(\mu)=\mu$
均值等于线性预测值直接令 μ=η。
$\mu=\eta$
误差服从正态Y=μ+ε，ε 是高斯噪声。
$\varepsilon \sim N(0,\sigma^2)$

logit链接——把评分压进[0,1]的翻译官

回访调查只有两个答案：会/不会。总部想把综合分 η 翻译成“回访概率”，可 η 能从 -∞ 变到 +∞，概率必须锁在 [0,1] 之间。于是翻译官变了个魔术：先算“对数几率”，再把结果压成概率。这就是 logit 链接。

logit 链接做的事是把概率 μ 取 logit 变换后等于 η，而它的逆变换就是大名鼎鼎的 sigmoid 函数。逻辑回归本质上就是“系统分量 + 二项分布 + logit 链接”的 GLM。S 形曲线在 η=0 附近最灵敏，两端逐渐饱和，这非常符合“概率”的直觉。

公式如下：

回到餐厅：η=0 时回访概率正好 0.5；η 每增加 1，回访的几率比放大 e 倍。翻译官把“综合体验分”稳稳翻译成了“回访概率”。

\displaystyle \log\left(\frac{\mu}{1-\mu}\right)=\eta,\quad \mu=\frac{e^{\eta}}{1+e^{\eta}}

logit 链接把 0-1 之间的概率映射到全体实数，反过来用 sigmoid 把任意实数映射回概率。

对数几率μ/(1-μ) 是“机会比”，取对数后值域为全体实数。
$\log\left(\frac{\mu}{1-\mu}\right)$
等于线性预测器让这个对数几率恰好是 η。
$\log\left(\frac{\mu}{1-\mu}\right)=\eta$
反解出概率解方程得到 μ 的 sigmoid 表达式。
$\mu=\frac{e^{\eta}}{1+e^{\eta}}$

log链接——计数场景的指数放大器

投诉次数只有 0、1、2……这些非负整数，而且经常右偏（大多数店投诉少，个别店投诉爆炸）。泊松回归登场，它的翻译官是 log 链接：把均值 μ 取对数后等于 η，反过来 μ=e^η，保证均值永远大于 0。

log 链接最迷人的地方在于“倍数效应”：η 每增加 1 个单位，μ 就乘以 e≈2.718 倍。这完美契合计数数据的业务直觉——投诉风险往往按比例上升，而不是按绝对量上升。泊松回归因此常被用来建模事故数、点击数、病发数。

公式：

门店的投诉期望从 2 条涨到 5.4 条，翻译官干的就是“指数放大”的活。log 链接让计数模型既不出界，又自带乘性解释。

\displaystyle \log(\mu)=\eta,\quad \mu=e^{\eta}

log 链接把正数均值映射到全体实数，逆变换是指数函数，天然满足计数数据的非负约束。

均值取对数log(μ) 的值域为全体实数，和 η 匹配。
$\log(\mu)$
令其等于线性预测器log(μ)=η。
$\log(\mu)=\eta$
指数还原均值μ=e^η，恒为正数。
$\mu=e^{\eta}$
倍数解读η 增加 1，μ 变为原来的 e 倍。
$\frac{e^{\eta+1}}{e^{\eta}}=e$

链接函数选择——怎么挑翻译官

翻译官不是越多越好，而是要对症下药。选择链接函数有两条铁律：先看值域是否匹配，再看解释是否顺手。而统计学家还给了一个更优雅的建议——优先选择规范链接（canonical link），它能让自然参数 θ 恰好等于 η，使参数估计和推导都大幅简化。

在二分类里，logit 是规范链接；在泊松计数里，log 是规范链接；在正态里，恒等是规范链接。但有时业务或数据会偏好替代方案，比如 Probit 链接：用标准正态分布的累积函数 Φ 来映射，公式为 Φ⁻¹(μ)=η。probit 和 logit 很像，但尾部更薄，在某些极端概率场景下拟合更稳，代价是系数的“几率比”解释性变差。

规范链接的数学条件：

选翻译官的决策思路很朴素：数据值域是硬约束，规范链接是优先项，业务解释是加分项。没有“最好的链接”，只有“最合适的翻译”。

\displaystyle \theta=\eta,\quad \text{其中}\quad g'(\mu)=\frac{1}{V(\mu)}

规范链接让分布的“自然参数”直接等于线性预测器，于是均值、方差与链接函数之间形成一套自洽关系，模型推导最漂亮。

规范链接条件θ=η 成立时，链接函数与指数族分布完美配对。
$\theta=\eta$
方差函数 V(μ)每个分布自带方差与均值的关系，正态方差恒定，泊松方差等于均值。
$V(\mu)$
g'(μ)=1/V(μ)规范链接的导数恰是方差函数的倒数。
$g'(\mu)=\frac{1}{V(\mu)}$
Probit 链接另一种选择，使用标准正态累积分布函数的逆。
$\Phi^{-1}(\mu)=\eta$

AI 应用场景

电商点击率预估：logit链接的二分类战场

阶段：模型选择与训练

解决的问题：广告系统预测用户“是否点击”某商品，传统线性回归会把预测值推到 0 或 1 之外，无法解释为概率。改用逻辑回归后，logit 链接确保输出恒在 0-1 之间，并且每个特征的系数可直接转化为“点击几率比”。

具体案例：某推荐系统用 50 个特征（用户历史点击、商品价格、时段）拟合 logit 链接的 GLM，CTR 从 2.1% 提升到 3.4%，且运营团队能直接解读“价格每降 1 元，点击几率提升 3%”，实现可解释的智能投放。

城市事故次数预测：log链接的泊松回归

阶段：特征工程与回归建模

解决的问题：交管部门要预测每个路口每月的交通事故次数，数据是典型计数且右偏。普通回归会产生负预测值（荒谬），而 log 链接的泊松回归保证预测非负，并自然建模“事故风险随车流量成倍增长”的规律。

具体案例：某城市用路口车流量、信号灯数量、雨天天数三个特征拟合泊松回归，识别出 3 个高危路口，提前增设护栏后事故率下降 22%。系数解读“雨天增加 1 天，事故期望乘 1.15 倍”也直接指导了预警资源调度。

信贷违约概率：logit与probit的对比选型

阶段：模型评估与调优

解决的问题：银行要把申请人的信用特征映射成违约概率。当违约事件极端稀少时，logit 的尾部行为可能偏乐观，probit 的标准正态假设常给出更保守的极端概率估计，帮助风控守住底线。

具体案例：某消金公司用同一批 10 万样本分别拟合 logit 和 probit 模型，在 95% 召回率下，probit 将误杀率从 7.2% 降至 6.1%，随即被采纳为策略层的兜底模型，而 logit 由于系数可解释性强，继续用于客户画像解读。

Python 演示

python55 行

import numpy as npfrom scipy.optimize import minimize class SimpleGLM:    def __init__(self, family='gaussian', link='identity'):        self.family = family        self.link = link        self.coef_ = None     def _link(self, eta):        if self.link == 'identity':            return eta        if self.link == 'logit':            return 1.0 / (1.0 + np.exp(-eta))        if self.link == 'log':            return np.exp(eta)        raise ValueError('unsupported link')     def _nll(self, beta, X, y):        eta = X.dot(beta)        mu = self._link(eta)        eps = 1e-12        if self.family == 'gaussian':            return 0.5 * np.sum((y - mu) ** 2)        if self.family == 'binomial':            return -np.sum(y * np.log(mu + eps) + (1 - y) * np.log(1 - mu + eps))        if self.family == 'poisson':            return np.sum(mu - y * np.log(mu + eps))        raise ValueError('unsupported family')     def fit(self, X, y):        X = np.column_stack([np.ones(X.shape[0]), X])        beta0 = np.zeros(X.shape[1])        res = minimize(self._nll, beta0, args=(X, y), method='BFGS')        self.coef_ = res.x        return self     def predict(self, X):        X = np.column_stack([np.ones(X.shape[0]), X])        return self._link(X.dot(self.coef_)) if __name__ == '__main__':    np.random.seed(42)    X = np.random.randn(300, 2)    y1 = 1.0 + 0.6 * X[:, 0] - 0.4 * X[:, 1] + np.random.normal(0, 0.3, 300)    m1 = SimpleGLM('gaussian', 'identity').fit(X, y1)    print('gaussian identity:', np.round(m1.coef_, 3))    p = 1.0 / (1.0 + np.exp(-(0.5 + 1.2 * X[:, 0] - 0.8 * X[:, 1])))    y2 = (np.random.rand(300) < p).astype(float)    m2 = SimpleGLM('binomial', 'logit').fit(X, y2)    print('binomial logit  :', np.round(m2.coef_, 3))    lam = np.exp(0.3 + 0.5 * X[:, 0] - 0.2 * X[:, 1])    y3 = np.random.poisson(lam)    m3 = SimpleGLM('poisson', 'log').fit(X, y3)    print('poisson log     :', np.round(m3.coef_, 3))

目的：用最小化负对数似然的方式，实现一个支持三种分布与三种链接函数的最小 GLM 框架，并分别拟合线性、二分类、计数三类数据。

class SimpleGLM用统一框架封装 GLM，仅靠 family 和 link 两个参数切换三种模型，对应“换翻译官”的思想。
def _link(self, eta)实现三种链接函数的正向变换：identity、logit、log，分别把 eta 映射为均值。
if self.family == 'binomial'二项分布的对数似然，通过 logit 链接输出概率，确保预测值在 0-1。
np.random.poisson(lam)生成泊松计数数据，lam 正是由 log 链接的指数变换得到的均值。
minimize(self._nll, beta0)用 BFGS 数值优化求解系数，避免手动推导 IRLS，让框架更易读。

常见误区

误区“反正最后都是回归，我拿普通最小二乘去预测 0/1 和计数数据，差别应该不大吧？结果出来发现预测值有负数也硬着头皮用。”

正解因变量的值域不是摆设。二分类要求输出落在 [0,1] 的概率，计数要求输出非负的期望值。线性回归的恒等链接天生不限制值域，硬用在二分类上会产生越界概率，用在计数上会产生负数预测——换 logit 或 log 链接才能从根本上解决问题。

为何常见：初学者接触的第一个模型往往是线性回归，容易把“回归”当成万能工具，忽略了因变量分布对模型形式的约束。

误区“AIC 哪个低就换哪个，反正各种链接函数都能拟合，选个分数好的就行。”

正解链接函数首先要与因变量的分布和值域匹配，其次才是拟合指标。泊松数据用恒等链接虽然能拟合，但预测均值可能为负，且失去了 log 链接自带的乘法解释；二分类用恒等链接可能越过 [0,1]。正规做法是按“规范链接优先、值域硬约束、解释性辅助”的顺序来选择。

为何常见：现代机器学习工具把模型包装成“黑箱”，让人误以为链接函数只是可调的超参数。

误区“逻辑回归是分类算法，线性回归是回归算法，两者没有任何关系，我要分别学两套理论。”

正解在 GLM 框架下，逻辑回归 = 系统分量 + 二项分布 + logit 链接；线性回归 = 系统分量 + 正态分布 + 恒等链接。两者共用同一个系统分量 η=Xβ，只差随机分量和链接函数。这就是“广义线性模型”中“广义”二字的含义。

为何常见：市面上多数课程按“回归 vs 分类”切分算法，很少从统计生成过程的角度揭示共同结构。

误区“log 链接就是先把 y 取对数再做线性回归，跟普通的 log(y) 变换一回事。”

正解log 链接是对均值 μ 取对数，即 log(μ)=η，而不是对观察值 y 取对数。建模的是“期望的指数增长”，不改变 y 本身；而 log(y) 变换是数据预处理，改变了观察值的分布形态。两者即使数值长得像，业务解释和统计性质完全不同。

为何常见：因为“对数线性模型”的说法容易让人误以为是对响应变量直接做变换，忽略了链接函数作用在均值上。

误区“S 形曲线都差不多，选哪个都行，反正预测结果几乎一样。”

正解二者在中间概率区域确实接近，但在极端概率处尾部行为不同：logit 的尾部更厚，probit 的尾部更薄且趋近 0 更快。在违约率、稀有小概率事件等场景，这种差异会影响极端概率的估计。此外 logit 的系数能解释为对数几率比，probit 的系数更难直接解释，选型要看业务需求。

为何常见：人们常只观察 0.3-0.7 的中间区间，忽略了尾部差异；加上多数默认工具用 logit，让 probit 显得“可替换”。

面试题

Q1. 广义线性模型（GLM）的三个组成部分不包括以下哪项？

单选题 · easy

A.随机分量（因变量分布设定）
B.系统分量（特征线性组合）
C.链接函数（均值与预测值桥接）
D.正则化系数（惩罚项强度）← 正确答案

答案：D。GLM 三要素是随机分量、系统分量和链接函数。正则化是模型训练的通用技术，并非 GLM 的定义性组成部分。就像餐厅评分系统里，评分公式、顾客表达、翻译官是三个核心环节，而“打折促销”不是。

Q2. 逻辑回归默认使用哪种链接函数？

单选题 · easy

A.恒等链接
B.log 链接
C.logit 链接← 正确答案
D.probit 链接

答案：C。逻辑回归对应二项分布，logit 链接是其规范链接，能把 0-1 概率映射到全体实数。恒等链接用于正态，log 链接用于泊松，probit 虽可用于二分类但不是默认标配。

Q3. 因变量是“某餐厅一周内收到投诉次数”时，最合适的 GLM 配置是？

单选题 · easy

A.泊松分布配合 log 链接← 正确答案
B.高斯分布配合恒等链接
C.二项分布配合 logit 链接
D.正态分布配合 probit 链接

答案：A。投诉次数是非负整数且右偏，典型计数数据，泊松分布配合 log 链接是最自然的选择，能保证预测均值为正且可做倍数解释。

Q4. 泊松回归中 log 链接的主要作用是什么？

单选题 · mid

A.将线性预测值映射到正数均值域← 正确答案
B.将完整预测区间限制在 0 到 1
C.把观察值 y 先取对数再回归
D.强制所有回归系数保持非负

答案：A。log 链接是对均值 μ 取对数，反函数 μ=e^η 恒为正，满足计数均值非负的约束。B 是 logit 的职责；C 是对数据变换的误解；D 与链接函数无关。

Q5. 线性回归在 GLM 框架中对应哪种配置？

单选题 · mid

A.正态分布与恒等链接← 正确答案
B.正态分布与 log 链接
C.二项分布与恒等链接
D.泊松分布与恒等链接

答案：A。经典线性回归假设误差服从正态分布，均值 μ 等于线性预测值 η，即恒等链接。其余组合要么值域不匹配，要么不是回归模型的经典配置。

Q6. 以下哪个说法最能概括 logit 链接的变换效果？

单选题 · mid

A.把实数映射到 0 到 1 的概率区间← 正确答案
B.把正数映射到全体实数区间
C.把均值直接当作预测值输出
D.把概率映射到正无穷区间

答案：A。logit 的反函数是 sigmoid，输入任意实数 η，输出永远在 (0,1) 内，正适合二分类概率。B 是 log 链接的逆方向效果；C 是恒等链接；D 不成立。

Q7. 关于 GLM 统一框架，以下说法正确的有？

多选题 · mid

A.线性回归是正态加恒等链接← 正确答案
B.逻辑回归是二项加 logit 链接← 正确答案
C.泊松回归是泊松加 log 链接← 正确答案
D.所有 GLM 都必须用 probit 链接

答案：ABC。A、B、C 正好对应三种经典 GLM 配置，证明“换分布与链接”即可得到不同模型。D 错误，probit 只是二分类的一个可选链接。

Q8. 当线性预测值 η 从 -2 增大到 2 时，logit 链接输出 μ 的变化特征是？

单选题 · hard

A.始终在 0 到 1 间且呈 S 形← 正确答案
B.线性增加且不存在上下边界
C.先增大后减小中间出现峰值
D.始终保持小于 0 的负数区间

答案：A。sigmoid 曲线在 η 较小时增长缓慢，η 在 0 附近增长最快，之后趋于饱和，整体呈 S 形且值域 (0,1)。B 是恒等链接特征；C、D 不符合 sigmoid 性质。

Q9. 关于规范链接（canonical link）的说法，正确的有？

多选题 · hard

A.它让自然参数 θ 等于线性预测器 η← 正确答案
B.正态分布的规范链接是恒等链接← 正确答案
C.二项分布的规范链接是 logit 链接← 正确答案
D.任何分布都能使用同一种规范链接

答案：ABC。规范链接的定义就是 θ=η，且随分布不同而变化：正态配恒等，二项配 logit，泊松配 log。D 忽略了分布的差异性。

Q10. 与 logit 链接相比，probit 链接的特点包括？

多选题 · hard

A.使用标准正态累积分布函数的逆变换← 正确答案
B.在极端概率处的尾部更薄更保守← 正确答案
C.系数不再直接对应对数几率比← 正确答案
D.几乎不能用于二分类因变量建模

答案：ABC。probit 是 Φ⁻¹(μ)=η，A 对；其尾部比 logit 薄，极端概率估计更保守，B 对；probit 系数解释不直观，C 对；probit 完全可以用于二分类，D 错误。