← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9631.g · 生成模型:DeepSeek-V4.1-Flash

Logit把概率拉成直线

理解等级:中级

Logistic 回归对条件概率建模:p(x)=P(Y=1|X=x)=exp(β0+βᵀx)/[1+exp(β0+βᵀx)],其中 p 是感兴趣事件(如购买、患病)发生的概率,β 是系数向量。这个 S 形函数把任意实数线性组合压进 (0,1),既满足概率的取值范围,也符合实际:自变量在不同水平上同样幅度的变动带来的影响不同,到达高位后边际效果趋近于零(示例:学习时间足够长后及格率接近上限)。所谓“线性模型”指系数 β 与协变量 x 之间线性,而不是 p 与 x 线性。做 Logit 变换 log[p/(1−p)]=β0+βᵀx 之后,右边是熟悉的线性形式,左边是发生比 odds 的对数,于是可以沿用线性回归的解释经验。与线性回归不同,这里没有误差项 ε:Y 服从参数为 p(x) 的二项分布,随机性由分布本身承担。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第3章 线性分类方法 · 查看原书依据

      这个变换称为 Logit 变换。式(3.2)的左边我们很容易看出表示的是事件发生和不发生的概率之比(称作发生比odds)的对数,右边是通常的线性回归的形式,这预示着在解释系数时可以借鉴线性回归的经验

    参考来源

    - 位置:《大数据挖掘与统计机器学习》第3章 线性分类方法(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter5_0002.xhtml,3.2.1 基本模型) - 结论依据:原文说明 Logistic 模型用 S 形函数把条件期望即事件概率建模,指出线性指系数与协变量线性,并解释 Logit 变换把发生比的对数写成线性形式,同时说明因 Y 服从二项分布故无误差项。 - 原始内容:这个变换称为 Logit 变换。式(3.2)的左边我们很容易看出表示的是事件发生和不发生的概率之比(称作发生比odds)的对数,右边是通常的线性回归的形式,这预示着在解释系数时可以借鉴线性回归的经验