Likelihood & Log-Likelihood

Die lineare Regression versucht, eine „Summe der Quadrate“-Kennzahl zu optimieren, um die bestmögliche Anpassung zu finden. Diese Kennzahl ist für die logistische Regression nicht geeignet. Stattdessen versucht die logistische Regression, eine Kennzahl namens Likelihood oder die verwandte Kennzahl Log-Likelihood zu optimieren.

Das Dashboard zeigt den Churn-Status im Verhältnis zur Zeit seit dem letzten Kauf aus dem Datensatz churn. Die blaue gepunktete Linie ist die durch geom_smooth() in ggplot2 berechnete Vorhersagelinie der logistischen Regression. (Das ist die „Best-Fit“-Linie.) Die schwarze durchgezogene Linie zeigt eine Vorhersagelinie, die aus den von dir angegebenen Achsenabschnitts- und Steigungskoeffizienten berechnet wird: plogis(intercept + slope * time_since_last_purchase).

Ändere den Achsenabschnitt und die Steigung und beobachte, wie sich die Werte von Likelihood und Log-Likelihood verändern.

Wenn du dich der Best-Fit-Linie näherst: Welche Aussage trifft auf Likelihood und Log-Likelihood zu?