Likelihood & log-likelihood

Regresia liniară încearcă să optimizeze o metrică de tip „sumă a pătratelor" pentru a găsi cea mai bună potrivire. Această metrică nu se aplică regresiei logistice. În schimb, regresia logistică optimizează o metrică numită likelihood (probabilitate de verosimilitate), sau o metrică înrudită numită log-likelihood.

Dashboard-ul afișează statusul de churn față de timpul scurs de la ultima achiziție, din setul de date churn. Linia albastră punctată reprezintă dreapta de regresie logistică calculată de geom_smooth() din ggplot2 – adică linia de „cea mai bună potrivire". Linia neagră continuă arată dreapta de predicție calculată pe baza coeficienților de intercept și pantă pe care îi specifici tu, sub forma plogis(intercept + slope * time_since_last_purchase).

Modifică coeficienții de intercept și pantă și urmărește cum se schimbă valorile likelihood și log-likelihood.

Pe măsură ce te apropii de linia de cea mai bună potrivire, care afirmație este adevărată despre likelihood și log-likelihood?