Likelihood och log-likelihood

Linjär regression optimerar ett mått kallat "sum of squares" för att hitta den bästa anpassningen. Det måttet fungerar inte för logistisk regression. I stället optimerar logistisk regression ett mått kallat likelihood, eller ett besläktat mått kallat log-likelihood.

Dashboarden visar churn-status mot tid sedan senaste köp från datamängden churn. Den blå prickade linjen är prediktionslinjen för logistisk regression beräknad av ggplot2:s geom_smooth() – det vill säga den bäst anpassade linjen. Den svarta heldragna linjen visar en prediktion beräknad utifrån de intercept- och lutningsvärden du anger som plogis(intercept + slope * time_since_last_purchase).

Justera intercept och lutning och se hur värdena för likelihood och log-likelihood förändras.

Vilket påstående stämmer om likelihood och log-likelihood när du närmar dig den bäst anpassade linjen?