广义线性模型是经典线性模型的推广，因此要了解广义线性模型，我们先看一下经典线形模型。给定一个预测值y,经典线性模型假设y是由两部分组成，一部分是随机成分，另一部分是确定成分。对于随机成分而言，假设y是随机变量Y的观测值，并且Y的均值是。对于确定成分而言，我们假设服从如下关系：

  x是输入变量，w是相应的参数

  对于随机的部分，我们通常会假设随机变量的误差是独立且方差恒定，例如会假设误差服从高斯分布。一个完整的经典线性模型如下：

  那么如何对该模型进行推广呢？仔细观察会发现，该模型中假设随机部分的均值是,对于高斯分布，这样假设是没有问题的，可以是任意实数，对于一般线性拟合这样的假设也是合理的。但是对于特定的分布，这样的假设不再合理，因为它们的均值有明显的区间范围，如泊松分布，要求均值大于0,二项式分布要求均值在[0,1]区间内。因此，现在的任务就是如何将一个固定区间映射到实数域，链结函数完成了这个任务。

综上所述，广义线性模型是均值在任意实数区间到指定区间的推广，关键部分是链结函数，它将任意给定分布的区间映射到实数域。最后，给出广义线性模型的主要组成部分：

  1.分布函数f(指数族)

  2. 线性预测子

  3. 链接函数 

  分布函数是随机成分，线性预测子是确定成分，链接函数完成了均值区间的映射。

参考资料：

1 machine learning a probabilistic perspective 作者: Kevin P. Murphy

2 Generalized Linear Model 作者: P. McCullagh / John A. Nelder  出版社: Chapman and Hall/CRC

3   维基百科