Fisher 的评分只是牛顿方法的一个版本，恰好与 GLM 相同，没有什么特别的，除了对于指数族中的随机变量，Fisher 的信息矩阵很容易找到。它还与许多其他几乎同时出现的数学统计材料相关联，并为Fisher信息的确切含义提供了很好的几何直觉。

如果您愿意，我绝对没有理由不使用其他优化器，除了您可能必须手动编写代码而不是使用预先存在的包。我怀疑对费舍尔评分的任何强调都是（按权重递减的顺序）教学法、推导容易性、历史偏见和“此处未发明”综合症的组合。

这是历史性的、务实的；Nelder 和 Wedderburn 逆向工程 GLM，作为一组模型，您可以在其中使用 Fisher 评分（即迭代重新加权最小二乘法）找到 MLE。该算法出现在模型之前，至少在一般情况下是这样。

还值得记住的是，IWLS 是他们在 70 年代初期可用的，因此 GLM 是需要了解的重要模型类别。您可以使用牛顿型算法（它们通常具有独特的 MLE）可靠地最大化 GLM 似然性这一事实也意味着像 GLIM 这样的程序可以被那些没有数值优化技能的人使用。