Логарифм шансов
Один из недостатков вероятностей и шансов в контексте прогнозов логистической регрессии — криволинейность соответствующих линий прогнозирования. Это затрудняет анализ того, как изменение объясняющей переменной влияет на прогноз. Логарифм шансов («лог-шансы», или логит) лишён этого недостатка: между прогнозируемым откликом и объясняющей переменной существует линейная зависимость. Это означает, что при изменении объясняющей переменной метрика отклика меняется плавно — без резких скачков.
Поскольку абсолютные значения лог-шансов менее интуитивны, чем (линейные) шансы, для визуализации обычно удобнее отображать шансы, применяя логарифмическое преобразование к шкале оси y.
mdl_churn_vs_relationship, explanatory_data и prediction_data доступны из предыдущего упражнения.
Это упражнение является частью курса
Введение в регрессию с statsmodels на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Update prediction data with log_odds
____
# Print the head
print(____)