Likelihood i log-likelihood

Regresja liniowa optymalizuje metrykę „sumy kwadratów", aby znaleźć najlepsze dopasowanie. W regresji logistycznej ta metryka nie ma zastosowania. Zamiast niej regresja logistyczna optymalizuje metrykę zwaną likelihood (wiarygodnością) lub pokrewną jej log-likelihood (logarytmem wiarygodności).

Panel pokazuje status rezygnacji klientów w zależności od czasu od ostatniego zakupu – na podstawie zbioru danych churn. Niebieska linia przerywana to linia predykcji regresji logistycznej, czyli linia najlepszego dopasowania. Czarna linia ciągła przedstawia linię predykcji obliczoną na podstawie wyrazu wolnego i współczynnika nachylenia, które określasz jako logistic.cdf(intercept + slope * time_since_last_purchase).

Zmieniaj wartości wyrazu wolnego i współczynnika nachylenia, obserwując, jak zmieniają się wartości likelihood i log-likelihood.

Im bliżej jesteś najlepszego dopasowania, jakie stwierdzenie jest prawdziwe o likelihood i log-likelihood?