সাধারণীকরণীয় রৈখিক মডেল লিনিয়ার পূর্বাভাসকারী হিসাবে বিবেচনা করা হয়
η=Xβ
যে মাধ্যমে প্রেরণ করা হয় লিংক ফাংশন :g
g(E(Y|X))=η
এটি নির্ভরশীল পরিবর্তনশীল এবং স্বতন্ত্র ভেরিয়েবল এক্স = এক্স 1 , এক্স 2 , … , এক্স কে এর মধ্যে সম্পর্কের মডেল করে । আরও স্পষ্টভাবে, এটি ওয়াই প্রদত্ত এক্স এর শর্তসাপেক্ষ প্রত্যাশা মডেল করে ,YX=X1,X2,…,XkYX
E(Y|X)=μ=g−1(η)
সুতরাং মডেল হিসাবে সম্ভাব্য শর্তাবলী সংজ্ঞায়িত করা যেতে পারে
Y|X∼f(μ,σ2)
কোথায় হ'লঘাতক পরিবারেরসম্ভাব্যতা বন্টন। নোটিশ তাই প্রথম জিনিস যে চ হয়নাবিতরণের ওয়াই কিন্তু ওয়াই এটা অনুসরণ করেশর্তসাপেক্ষেউপর এক্স । এই বিতরণের পছন্দটি ওয়াই এবং এক্স এর মধ্যকার সম্পর্ক সম্পর্কে আপনার জ্ঞানের (আপনি কী ধরে নিতে পারেন) উপর নির্ভর করে। সুতরাং আপনি যে কোনও জায়গায় বিতরণ সম্পর্কে পড়েন, এর অর্থ শর্তযুক্ত বিতরণ।ffYYXYX
যদি আপনার ফলাফল অবিরত এবং সীমাহীন হয়, তবে সর্বাধিক "ডিফল্ট" পছন্দটি হ'ল গাউসীয় বিতরণ (ওরফে সাধারণ বিতরণ ), মানে স্ট্যান্ডার্ড লিনিয়ার রিগ্রেশন (যদি না আপনি অন্য লিঙ্ক ফাংশন ব্যবহার করেন তবে ডিফল্ট পরিচয় লিঙ্ক)।
যদি আপনি ক্রমাগত অ-নেতিবাচক ফলাফল নিয়ে কাজ করে থাকেন তবে আপনি গামা বিতরণ বা বিপরীত গাউসিয়ান বিতরণ বিবেচনা করতে পারেন ।
যদি আপনার ফলাফলটি বিযুক্ত হয় বা আরও স্পষ্ট করে বলা হয়, আপনি গণনা নিয়ে কাজ করছেন (প্রদত্ত সময়ের ব্যবধানে কতবার কিছু ঘটে), তবে বিতরণটি শুরু করার সবচেয়ে সাধারণ পছন্দ পয়সন বিতরণ । পইসন বিতরণের সঙ্গে সমস্যা এটি বরং আসলে এটা ধরে নেয় যে তার অর্থ ভ্যারিয়েন্স সমান, যদি এই ধৃষ্টতা পূরণ না হয়, আপনি ব্যবহারের বিষয়ে বিবেচনা পারে অনমনীয় হয় আপাতদৃষ্টিতে পইসন পরিবার, বা নেতিবাচক দ্বিপদ বিন্যাস (এছাড়াও দেখুন বিচ্ছুরণ সংজ্ঞা কাসিপোইসন পরিবারের জন্য প্যারামিটার )।
যদি আপনার ফলাফল বাইনারি হয় (জিরো এবং একটি), "সাফল্য" এবং "ব্যর্থতা" (0 এবং 1 এর মধ্যে মান ) এর অনুপাত , বা তাদের গণনা , আপনি দ্বিপদী বিতরণ , যেমন লজিস্টিক রিগ্রেশন মডেল ব্যবহার করতে পারেন । যদি দুটি বিভাগ আরো তারপর, আপনি ব্যবহার করেন MULTINOMIAL বন্টন মধ্যে MULTINOMIAL রিগ্রেশন ।
অন্যদিকে, বাস্তবে, আপনি যদি ভবিষ্যদ্বাণীপূর্ণ মডেল তৈরি করতে আগ্রহী হন তবে আপনি কয়েকটি আলাদা বিতরণ পরীক্ষা করতে আগ্রহী হতে পারেন এবং শেষ পর্যন্ত শিখবেন যে তাদের মধ্যে একটি আপনাকে আরও সঠিক ফলাফল দেয় তবে অন্যরা তা না হলেও তাত্ত্বিক বিবেচনার ক্ষেত্রে সর্বাধিক "উপযুক্ত" (যেমন তাত্ত্বিকভাবে আপনার পোইসন ব্যবহার করা উচিত, তবে অনুশীলনে স্ট্যান্ডার্ড লিনিয়ার রিগ্রেশন আপনার ডেটার জন্য সবচেয়ে ভাল কাজ করে)।