Uogólniony model liniowy rozszerza ogólny model liniowy w taki sposób, że zmienna zależna jest liniowo powiązana z czynnikami i współzmiennymi za pośrednictwem określonej funkcji łączenia. Model pozwala ponadto, aby zmienna zależna nie miała rozkładu normalnego. Dzięki bardzo ogólnej postaci wzoru modelu obejmuje on wiele modeli statystycznych, takich jak regresja liniowa dla odpowiedzi o rozkładzie normalnym, modele logistyczne dla danych binarnych, modele logarytmiczno-liniowe dla danych o liczebności i wiele innych modeli statystycznych.

Przykłady. Uogólnionych modeli liniowych może używać firma transportowa, aby dopasować regresję Poissona w celu obliczenia szkód poniesionych na skutek eksploatacji kilku typów statków wyprodukowanych w różnych okresach, a model wynikowy może ułatwić ustalenie, które typy statków są najbardziej podatne na uszkodzenia.

Uogólnionych modeli liniowych może używać firma sprzedająca ubezpieczenia komunikacyjne, aby dopasować regresję gamma do żądań odszkodowań za samochody, a model wynikowy może ułatwić określenie czynników, które przyczyniają się najbardziej do wartości roszczenia.

Uogólnionych modeli liniowych mogą używać badacze medyczni, aby dopasować komplementarną regresję log-log do przedziałowo cenzurowanych danych dotyczących przeżycia, aby oszacować czas do nawrotu choroby.

Działanie uogólnionych modeli liniowych polega na budowaniu równania, które tworzy relację pomiędzy wartościami zmiennych wejściowych a wartościami zmiennych wyjściowych. Po wygenerowaniu modelu można go użyć do oszacowania wartości dla nowych danych. Dla każdego rekordu dla każdej możliwej kategorii wyjściowej obliczane jest prawdopodobieństwo członkostwa. Jako predykowana wartość wyjściowa dla tego rekordu przypisywana jest kategoria zmiennej przewidywanej o najwyższym prawdopodobieństwie.

Wymagania. Wymagane jest co najmniej jedno pole wejściowe i dokładnie jedno pole docelowe (które może mieć poziom pomiaru Continuous lub Flag) z dwiema lub większą liczbę kategorii. Typy zmiennych używanych w modelu muszą być w pełni zrealizowane jako instancje.

Mocne strony. Uogólniony model liniowy jest niezwykle elastyczny, ale proces wyboru struktury modelu nie jest zautomatyzowany; dlatego konieczna jest znajomość danych, co nie jest wymagane w przypadku algorytmów typu „czarna skrzynka”.