逻辑回归的工作原理

Python 中级回归：使用 statsmodels

Maarten Van den Broeck

Content Developer at DataCamp

平方和不适用

np.sum((y_pred - y_actual) ** 2)

y_actual 始终为 0 或 1。

y_pred 介于 0 和 1 之间。

有比平方和更好的指标。

       y_pred * y_actual

       y_pred * y_actual + (1 - y_pred) * (1 - y_actual)

np.sum(y_pred * y_actual + (1 - y_pred) * (1 - y_actual))

当 y_actual = 1 时

y_pred * 1 + (1 - y_pred) * (1 - 1) = y_pred

当 y_actual = 0 时

y_pred * 0 + (1 - y_pred) * (1 - 0) = 1 - y_pred

log_likelihood = np.log(y_pred) * y_actual + np.log(1 - y_pred) * (1 - y_actual)

两种公式结果相同。

最大化对数似然等同于最小化负对数似然。

-np.sum(log_likelihoods)

def calc_neg_log_likelihood(coeffs)

  intercept, slope = coeffs

  # More calculation!

from scipy.optimize import minimize

minimize(
  fun=calc_neg_log_likelihood,
  x0=[0, 0]
)

Python 中级回归：使用 statsmodels