Алгоритм логістичної регресії

Розберімося з внутрішньою логікою та реалізуймо алгоритм логістичної регресії. Оскільки функція R glm() дуже складна, ви обмежитеся простою логістичною регресією для одного набору даних.

Замість суми квадратів як метрики ми використаємо правдоподібність. Однак лог-правдоподібність обчислювально стабільніша, тож застосуємо саме її. Є ще одна зміна: ми хочемо максимізувати лог-правдоподібність, але optim() за замовчуванням шукає мінімум, тому зручніше обчислювати негативну лог-правдоподібність.

Значення лог-правдоподібності для кожного спостереження таке:

Formula for log-likelihood

Потрібно обчислити мінус суму цих внесків до лог-правдоподібності.

Пояснювальні значення (стовпець time_since_last_purchase датафрейму churn) доступні як x_actual. Значення відгуку (стовпець has_churned датафрейму churn) доступні як y_actual.

Ця вправа є частиною курсу

Середній рівень Regression у R

Переглянути курс

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Set the intercept to 1
intercept <- ___

# Set the slope to 0.5
slope <- ___

# Calculate the predicted y values
y_pred <- ___

# Calculate the log-likelihood for each term
log_likelihoods <- ___

# Calculate minus the sum of the log-likelihoods for each term
___

Редагувати та запускати код