Verosimilitud y log-verosimilitud

La regresión lineal intenta optimizar una métrica de "suma de cuadrados" para encontrar el mejor ajuste. Esa métrica no es aplicable a la regresión logística. En su lugar, la regresión logística intenta optimizar una métrica llamada verosimilitud o una métrica relacionada llamada log-verosimilitud.

El panel muestra el estado de churn frente al tiempo desde la última compra del conjunto de datos churn. La línea azul punteada es la línea de predicción de regresión logística calculada por geom_smooth() de ggplot2. (Es decir, es la línea de "mejor ajuste".) La línea negra continua muestra una línea de predicción calculada a partir de los coeficientes de intercepto y pendiente que especifiques como plogis(intercept + slope * time_since_last_purchase).

Cambia los coeficientes de intercepto y pendiente y observa cómo cambian los valores de la verosimilitud y la log-verosimilitud.

A medida que te acercas a la línea de mejor ajuste, ¿qué afirmación es verdadera sobre la verosimilitud y la log-verosimilitud?