它是似然残差的总和。在记录级别，计算每条记录的误差（残差）的自然对数，乘以负一，然后将这些值相加。然后将该总数用作偏差 (2 x ll) 和可能性 (exp(ll)) 的基础。 相同的计算可以应用于假设绝对没有预测能力的幼稚模型，以及假设完美预测的饱和模型。 似然值用于比较不同的模型，而偏差（测试、朴素和饱和）可用于确定预测能力和准确性。对于开发数据集，模型的逻辑回归准确度将始终为 100%，但一旦将模型应用于另一个数据集，情况并非如此。 152. 您如何评估逻辑回归模型？
模型评估是回答以下问题的任何分析中非常重要的部分， 模型与数据的拟合程度如何？，哪些预测变量最重要？，预测准确吗？ 因此，以下是访问模型性能的标准， Akaike Information Criteria (AIC)：简单来说，AIC 估计给定模型丢失的相对信息量。因此，丢失的 阿尔及利亚 WhatsApp 号码 信息越少，模型的质量就越高。因此，我们总是更喜欢具有最小 AIC 的模型。 接收者操作特征（ROC 曲线）：ROC 曲线说明了二元分类器的诊断能力。它是通过在各种阈值设置下绘制真阳性与假阳性来计算/创建的。ROC 曲线的性能指标是 AUC（曲线下面积）。
曲线下面积越大，模型的预测能力越好。 混淆矩阵：为了了解模型在预测目标变量方面的表现如何，我们使用混淆矩阵/分类率。它只是实际 Vs 预测值的表格表示，它可以帮助我们找到模型的准确性。 153、SVM算法的优点是什么？ SVM算法在复杂度方面具有基本优势。首先，我想明确一点，逻辑回归和 SVM 都可以形成非线性决策面，并且可以与核技巧相结合。如果逻辑回归可以与内核耦合，那么为什么要使用 SVM？ ● 发现SVM 在大多数情况下实际上具有更好的性能。 ● SVM 的计算成本更低 O(N2*K)，其中 K 不是支持向量（支持向量是位于类边缘上的那些点），其中逻辑回归为 O(N3) ● SVM 中的分类器仅依赖于点的一个子集。