一、Logistic Regression模型的基本概念
线性回归无法对{违约,非违约}这类标签进行建模。对于分类模型而言,建模的对象是每个类别在某条样本上出现的概率
伯努利概型:
在违规预测场景中,单个个体违约事件可以看成伯努利概型,参数pi即需要预测的目标
通过Logistic变换(sigmoid函数),使目标函数的取值范围限定在(0,1) f'(x)=f(x)(1-f(x)) f(x)的特点:
将Logistic变换应用在概率中, Xi表示第i个观测值上p个特征的取值,β表示该特征的权重。 |
通过Logistic变换,上述模型的形式变为:。对违约概率做回归,而非违约结果(0or1)
参数估计:通过极大似然估计法(MLE)求出参数β,使得似然函数最大化。
通常将似然函数最大化问题转化为对数似然函数最大化,原因如下:
-
对数似然函数与似然函数单调上升且具有更紧凑的形式
-
对数似然函数更易于求导计算
似然函数: