Likelihood & Log-Likelihood

Die lineare Regression versucht ein „Sum of Squares“-Maß zu optimieren, um die beste Anpassung zu finden. Dieses Maß ist für die logistische Regression nicht geeignet. Stattdessen versucht die logistische Regression, ein Maß namens Likelihood oder das verwandte Maß Log-Likelihood zu optimieren.

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

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

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