Правдоподобие и логарифм правдоподобия

Линейная регрессия оптимизирует метрику «сумма квадратов», чтобы найти наилучшее соответствие данным. Однако для логистической регрессии эта метрика не подходит. Вместо неё логистическая регрессия оптимизирует метрику, которая называется правдоподобие (likelihood), или связанную с ней метрику — логарифм правдоподобия (log-likelihood).

На панели показана зависимость статуса оттока от времени с момента последней покупки из набора данных churn. Синяя пунктирная линия — это линия предсказания логистической регрессии, построенная с помощью geom_smooth() из ggplot2 (то есть «линия наилучшего соответствия»). Чёрная сплошная линия показывает линию предсказания, вычисленную на основе задаваемых вами значений свободного члена и наклона: plogis(intercept + slope * time_since_last_purchase).

Изменяйте свободный член и наклон и наблюдайте, как меняются значения правдоподобия и логарифма правдоподобия.

По мере приближения к линии наилучшего соответствия какое утверждение верно?