摘要：
-阅读。csv（“D:header=T）colnames（mydata）<；-c（“x1”，-glm（formula=y~x1+x2+x3，data=mydata）summary（model）这里家族不使用二进制，type='response'）plot（seq（-2，length=30），col='blue'）添加：
前面写过一个多分类的逻辑回归，现在要做一个简单的二分类，用glm函数
导入csv格式如下：
mydata<-read.csv("D://li.csv",header=T)
colnames(mydata)<-c("x1","x2","x3","y")
model<-glm(formula = y ~ x1+x2+x3, family = quasibinomial(link = "logit"),data = mydata)
summary(model)
这里family没有使用binomial，那个会报一个警告，
Warning message:
In eval(family$initialize) : 二项通用线性模型里出现了非整数的#成功!
查了一下，有可能数据是不均匀分布（Overdispersion），把family改成quasi的就行了。不过AIC会变成NA，这下拟合的P值就显著多了。
family = quasibinomial(link = "logit")
这里有介绍两者的区别
做个图，貌似离逻辑回顾的那个曲线有点差距啊。
p<-predict(model,type='response')
plot(seq(-2,2,length=30),sort(p),col='blue')
补充：family
binomial(link = "logit")
gaussian(link = "identity")
Gamma(link = "inverse")
inverse.gaussian(link = "1/mu^2")
poisson(link = "log")
quasi(link = "identity", variance = "constant")
quasibinomial(link = "logit")
quasipoisson(link = "log")