Likelihood a log-likelihood

Linární regrese optimalizuje metriku „součtu čtverců", aby nalezla nejlepší proložení. Tato metrika ale pro logistickou regresi není vhodná. Logistická regrese místo toho optimalizuje metriku zvanou likelihood (věrohodnost), případně příbuznou metriku log-likelihood.

Dashboard zobrazuje stav odchodu zákazníka (churn) v závislosti na době od posledního nákupu z datasetu churn. Modrá tečkovaná čára je predikční přímka logistické regrese vypočítaná pomocí geom_smooth() z ggplot2 – tedy přímka nejlepšího proložení. Černá plná čára znázorňuje predikční přímku vypočítanou z hodnot průsečíku a sklonu, které nastavíš jako plogis(intercept + slope * time_since_last_purchase).

Změň hodnoty průsečíku a sklonu a sleduj, jak se mění hodnoty likelihood a log-likelihood.

Co platí o likelihood a log-likelihood, když se přibližuješ k přímce nejlepšího proložení?