知识卡片

普通读书笔记卡 · 9750.i · 生成模型:DeepSeek-V4.1-Flash

逻辑回归如何把概率拉直

理解等级:高级

为什么不能直接用线性回归 结果是流失与未流失这类二值变量时,线性模型会给出小于 0 或大于 1 的预测值,无法当作概率解释;它的误差结构也不符合 0/1 数据。 两步构造 先把输入线性组合成一个实数得分 y = β0 + β1x1 + …,取值范围是整个实数轴;再用逻辑函数 f(y) = 1/(1+exp(−y)) 把得分压缩到 0 到 1 之间。该函数在 0 附近近似线性,两端平滑地趋近 0 和 1,正好把“得分越高、概率越大”表达成一条 S 形曲线。 为什么这样合理 概率被限制在 0 到 1,但几率 p/(1−p) 可以取任意正数,再取对数就铺满实数轴。logit 变换把“概率的模型”翻译成“对数差异比的线性模型”,系数仍能像线性回归那样按方向与显著性解读。 估计方法 参数不再用最小二乘,而用极大似然估计:选出让观测到这份数据的概率最大的那组系数。

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6章 高级分析理论与方法:回归 · 查看原书依据

      因为逻辑函数f (y )的取值范围是(0,1),所以此函数适合用来模拟特定结果的发生概率。随着y值的增加,结果发生的概率也会增加。在任何提出的模型中,为了预测一个结果的可能性,y需要作为输入变量的一个函数。

    参考来源

    - 位置:《数据科学与大数据分析 数据的发现 分析 可视化与表示》第6章 高级分析理论与方法:回归(源文件:extracted/数据科学与大数据分析 数据的发现 分析 可视化与表示/_epub-src/text/part0016_split_002.html) - 结论依据:6.2.2 节说明逻辑函数取值在 0 到 1 之间故可模拟概率,y 取输入的线性函数,并指出对数差异比(logit)与极大似然估计的作用。 - 原始内容:因为逻辑函数f (y )的取值范围是(0,1),所以此函数适合用来模拟特定结果的发生概率。随着y值的增加,结果发生的概率也会增加。在任何提出的模型中,为了预测一个结果的可能性,y需要作为输入变量的一个函数。