廣義線性模型（Generalized Linear Model, 簡稱GLM）是一種靈活的統計學習方法，它擴展了傳統的線性模型，以適應不同類型的數據和複雜的關係。GLM的三個關鍵組成部分是：
隨機分布：描述因變數的機率分布。
連線函式（也稱為聯繫函式）：將線性預測轉換為實際的因變數。
線性預測：通過自變數的線性組合來預測因變數。
GLM的核心思想是通過合適的連結函式將因變數的期望值與自變數的線性組合關聯起來，並使用合適的誤差分布來描述因變數的變異性。這樣，GLM可以適應不同類型的數據，包括二元的、多元的、計數的或分類型的變數，提高了模型的靈活性和預測能力。通過選擇合適的連結函式和誤差分布，GLM可以適用於各種實際問題，如二分類問題、多分類問題、計數數據分析等。
例如，當因變數服從二項分布時，GLM可以退化為邏輯回歸模型；當因變數服從泊松分布時，它可以退化為泊松回歸模型。這些模型在統計分析中得到了廣泛套用。