logistic回归研究 2016.04.28回顾

  昨天的话，主要就干了一个事情，就是对logistic regression的研究

1、从最开始的woe开始说起，一般来说woe公式是ln((Bi/BT)/(Gi/GT))，但是我偶然发现tony的WOE是用的ln((Gi/GT)/(Bi/BT))，由于ln(A/B) = ln(A) - ln(B)，所以ln(A/B) = - ln(B/A)，相当于说就是所有的输入变量添加了一个负号，当时就这个问题讨论了2个多小时，我当时结合到最后tony的logistic regression结果进行了猜测，因为最后结果，tony的公式是1/(1+e^z)，和书本上的1/(1+e^(-z))是互补的关系，我当时sb地猜想woe的符号导致了最后结果是1/(1+e^z)，而并非1/(1+e^(-z))，后来思考发现，添加负号进去拟合，拟合出来的系数只不过变号而已，比如以前是a0+a1x1+a2x2，现在把变号过后的-x带入就变成了a0+((-a1)x1)+((-a2)x2)，也就是可以把负号提出来把-a1和-a2看成整体，那现在就是按照规则训练出一套系数，这个系数除了常数项，其他系数取反就可以了

2、至于我最以前的问题，为什么tony的公式是1/(1+e^z)？我思考了下，1/(1+e^-z)其实是一样的，最后拟合出来只不过符号不一样，推理过程类似于上一点！所以最后g(Z)算出来都是1的概率，但是如果反着标记，逾期为0，非逾期为1，那就跟着颠倒了，但是如果两类只是A类和B类，那怎么说呢？为什么一般阳性为1，我得到的就是阳性概率呢？难道是28中少的部分？如果一样多呢？我发现我一时半会不能解决这个问题了！那先把这个问题放一放！说明logistic的水很深，真正会玩的人很少！

3、最后要下班的时候还研究了一下odds ratio，简称OR，这个指标我也没理解，还需要深入研究！