Likelihood & log-likelihood

Lineaire regressie probeert een "sum of squares"-maatstaf te optimaliseren om de best passende lijn te vinden. Die maatstaf is niet toepasbaar op logistische regressie. In plaats daarvan probeert logistische regressie een maatstaf te optimaliseren die likelihood heet, of een verwante maatstaf genaamd log-likelihood.

Het dashboard toont churn-status versus tijd sinds de laatste aankoop uit de churn-gegevensset. De blauwe stippellijn is de voorspellingslijn van de logistische regressie. (Dat is de "best fit"-lijn.) De zwarte doorgetrokken lijn geeft een voorspellingslijn weer die is berekend uit de door jou opgegeven intercept- en hellingscoëfficiënten als logistic.cdf(intercept + slope * time_since_last_purchase).

Verander de intercept- en hellingscoëfficiënten en kijk hoe de waarden voor likelihood en log-likelihood veranderen.

Als je dichter bij de best fit-lijn komt, welke uitspraak is dan waar over likelihood en log-likelihood?