Probabilidad 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 cambio, la regresión logística intenta optimizar una métrica llamada verosimilitud, o una métrica relacionada llamada log-verosimilitud.

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

Cambia los coeficientes de intercepción y pendiente y observa cómo cambian los valores de probabilidad y log-verosimilitud.

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