Vraisemblance et log-vraisemblance

La régression linéaire cherche à optimiser une mesure de « somme des carrés » pour trouver le meilleur ajustement. Cette mesure ne s'applique pas à la régression logistique. À la place, la régression logistique cherche à optimiser une mesure appelée la vraisemblance, ou une mesure connexe appelée la log-vraisemblance.

Le tableau de bord affiche l'état de désabonnement en fonction du temps écoulé depuis le dernier achat dans l'ensemble de données churn. La ligne bleue en pointillés est la ligne de prédiction de la régression logistique (autrement dit, la « meilleure » ligne d'ajustement). La ligne noire pleine montre une ligne de prédiction calculée à partir de l'ordonnée à l'origine et du coefficient de pente que vous spécifiez comme logistic.cdf(intercept + slope * time_since_last_purchase).

Modifiez l'ordonnée à l'origine et le coefficient de pente et observez comment les valeurs de la vraisemblance et de la log-vraisemblance changent.

À mesure que vous vous rapprochez de la meilleure ligne d'ajustement, quelle affirmation est vraie à propos de la vraisemblance et de la log-vraisemblance?