Log-Odds-Ratio
Ein Nachteil von Wahrscheinlichkeiten und Odds Ratios bei Vorhersagen mit logistischer Regression ist, dass die Vorhersagelinien gekrümmt sind. Dadurch ist es schwerer nachzuvollziehen, wie sich die Vorhersage ändert, wenn du die erklärende Variable veränderst. Der Logarithmus der Odds Ratio (das „Log-Odds-Ratio“ oder der „Logit“) hat dagegen eine lineare Beziehung zwischen vorhergesagter Antwort und erklärender Variable. Das bedeutet: Wenn sich die erklärende Variable ändert, siehst du keine drastischen Sprünge in der Zielmetrik – nur lineare Änderungen.
Da die tatsächlichen Werte des Log-Odds-Ratio weniger intuitiv sind als die (lineare) Odds Ratio, ist es für Visualisierungen meist besser, die Odds Ratio zu plotten und eine Log-Transformation auf die y-Achse 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 Regression mit statsmodels in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Update prediction data with log_odds_ratio
____
# Print the head
print(____)