Правдоподібність і лог-правдоподібність

Лінійна регресія намагається оптимізувати метрику «сума квадратів», щоб знайти найкраще наближення. Ця метрика не підходить для логістичної регресії. Натомість логістична регресія оптимізує метрику, що називається «правдоподібність», або пов'язану з нею «лог-правдоподібність».

На інформаційній панелі показано статус відтоку клієнта залежно від часу від останньої покупки з набору даних churn. Синя пунктирна лінія — це лінія прогнозу логістичної регресії, обчислена функцією geom_smooth() з ggplot2 (тобто це лінія «найкращого наближення»). Чорна суцільна лінія показує лінію прогнозу, обчислену з вказаних вами коефіцієнтів вільного члена та нахилу як plogis(intercept + slope * time_since_last_purchase).

Змініть коефіцієнти вільного члена та нахилу і подивіться, як змінюються значення правдоподібності та лог-правдоподібності.

Коли ви наближаєтеся до лінії найкращого наближення, яке твердження є правильним щодо правдоподібності та лог-правдоподібності?