Likelihood och log-likelihood

Linjär regression optimerar ett mått kallat "summa av kvadrater" för att hitta den bästa anpassningen. Det måttet går inte att använda för logistisk regression. I stället optimerar logistisk regression ett mått som kallas likelihood, eller ett relaterat mått kallat log-likelihood.

Dashboarden visar churnstatus i förhållande till tid sedan senaste köp från datamängden churn. Den blå prickade linjen är prediktionslinjen från den logistiska regressionen – det vill säga den linje som passar bäst. Den svarta heldragna linjen visar en prediktion beräknad utifrån de intercept- och lutningskoefficienter du anger som logistic.cdf(intercept + slope * time_since_last_purchase).

Justera intercept- och lutningskoefficienterna och observera hur värdena för likelihood och log-likelihood förändras.

Vilket påstående stämmer när du närmar dig den bäst anpassade linjen?