Rapport de cotes logarithmique
L'un des inconvénients des probabilités et des rapports de cotes pour les prédictions de régression logistique est que les lignes de prédiction pour chacune d'entre elles sont courbes. Il est donc plus difficile de déterminer ce qui arrive à la prédiction lorsque vous modifiez la variable explicative. Le logarithme du rapport de cotes (le « rapport de cotes logarithmique » ou « logit ») présente une relation linéaire entre la réponse prédite et la variable explicative. Cela signifie que lorsque la variable explicative change, vous ne constatez pas de changements spectaculaires dans la métrique de réponse, mais uniquement des changements linéaires.
Étant donné que les valeurs réelles du log odds ratio sont moins intuitives que celles du rapport de cotes (linéaire), il est généralement préférable, à des fins de visualisation, de représenter le rapport de cotes sous forme graphique et d'appliquer une transformation logarithmique à l'échelle de l'axe des y.
mdlchurnvsrelationship, explanatorydata et prediction_data sont disponibles dans l'exercice précédent.
Cet exercice fait partie du cours
Introduction à la régression avec statsmodels en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Update prediction data with log_odds_ratio
____
# Print the head
print(____)