Log-Odds
Ein Nachteil von Wahrscheinlichkeiten und Quoten bei Vorhersagen mit logistischer Regression ist, dass die Vorhersagelinien jeweils gekrümmt sind. Dadurch wird es schwieriger nachzuvollziehen, was mit der Vorhersage passiert, wenn du die erklärende Variable änderst. Der Logarithmus der Quoten (die „Log-Odds“ oder der „Logit“) hat dagegen eine lineare Beziehung zwischen vorhergesagter Antwort und erklärender Variable. Das bedeutet: Wenn sich die erklärende Variable ändert, siehst du in der Zielgröße keine drastischen, sondern nur lineare Änderungen.
Da die tatsächlichen Werte der Log-Odds weniger intuitiv sind als (lineare) Quoten, ist es zur Visualisierung meist besser, die Quoten zu plotten und eine Log-Transformation auf die y-Achsen-Skala anzuwenden.
mdl_churn_vs_relationship, explanatory_data und prediction_data stehen aus der vorherigen Übung zur Verfügung.
Diese Übung ist Teil des Kurses
Einführung in die Regression mit statsmodels in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Update prediction data with log_odds
____
# Print the head
print(____)