可加模型 (GM)

可加模型（Additive Model）作为广义线性模型的一种扩展，其核心思想是将响应变量对多个预测变量的依赖关系表示为各变量独立函数的和。不同于传统线性回归强制假设变量间线性关系，可加模型允许每个预测变量通过平滑函数（如样条）独立映射到响应变量，从而在保持模型可解释性的同时极大提升拟合灵活性。该模型由统计学家 Frank Harrell 等人推广，广泛应用于生物统计、经济学及机器学习领域，是连接参数模型与完全非参数模型的关键桥梁。

在现代计算架构与数据分析生态中，可加模型扮演着‘灵活性与可解释性平衡器’的角色。它既避免了黑盒模型（如深度神经网络）的不可解释性缺陷，又克服了传统线性模型对线性假设的严苛限制。其核心价值在于能够自动捕捉变量间的非线性趋势及交互效应（通过松弛函数），特别适用于高维数据场景。在工程实践中，它是构建稳健预测系统的首选基模型之一，尤其在医疗预后分析、金融风险评估等对因果推断要求严格的领域占据主导地位。