目录
[1 先从一个例题出来，预期值和现实值的差异怎么评价？](#1 先从一个例题出来，预期值和现实值的差异怎么评价？)
[1.1 这样一个问题](#1.1 这样一个问题)
[1.2 我们的一般分析](#1.2 我们的一般分析)
[1.3 用到的关键点1](#1.3 用到的关键点1)
[1.4 但是差距多远，算是远呢？](#1.4 但是差距多远，算是远呢？)
[2 极大似然估计](#2 极大似然估计)
[2.1 极大似然估计的目的](#2.1 极大似然估计的目的)
[2.1.1 极大似然估计要解决什么问题？](#2.1.1 极大似然估计要解决什么问题？)
[2.1.2 极大似然估计的原则：](#2.1.2 极大似然估计的原则：)
[2.2 什么是极大似然估计？](#2.2 什么是极大似然估计？)
[2.2.1 定义](#2.2.1 定义)
[2.2.2 似然率，likehood](#2.2.2 似然率，likehood)
[2.3 如何理解](#2.3 如何理解)
[2.4 如何落地？具体用什么来验证极大似然估计？ K2检验](#2.4 如何落地？具体用什么来验证极大似然估计？ K2检验)
[3 K2检验 (K^2检验，K^2显著度检验)](#3 K2检验 (K^2检验，K^2显著度检验))
[3.1 K2检验](#3.1 K2检验)
[3.2 K2值de公式](#3.2 K2值de公式)
[3.3 K2值de判断逻辑](#3.3 K2值de判断逻辑)
[3.4 具体步骤](#3.4 具体步骤)
[3.5 K2值表](#3.5 K2值表)
[3.5.1 K2分布表](#3.5.1 K2分布表)
[3.5.2 特点](#3.5.2 特点)
[3.6 K2分布的曲线](#3.6 K2分布的曲线)
[3.6.1 曲线图形](#3.6.1 曲线图形)
[3.6.2 特点](#3.6.2 特点)
[3.7 K2检验有2个要素](#3.7 K2检验有2个要素)
[3.8 K2检验的过程](#3.8 K2检验的过程)
[3.8.1 K2值独立检验](#3.8.1 K2值独立检验)
[4 对数回归](#4 对数回归)
[4.1 什么叫对数回归 logit regression](#4.1 什么叫对数回归 logit regression)
[4.1.1 似然率，likehood](#4.1.1 似然率，likehood)
[4.1.2 从概率到→发生率](#4.1.2 从概率到→发生率)
[4.1.3 发生率的对然对数回归](#4.1.3 发生率的对然对数回归)
[5 为什么要用对数回归？](#5 为什么要用对数回归？)
[5.1 线性回归的局限性](#5.1 线性回归的局限性)
[5.1.1 具体举个例子](#5.1.1 具体举个例子)
[5.2 什么原因引起的？](#5.2 什么原因引起的？)
[5.3 怎么解决？](#5.3 怎么解决？)
[5.3.1 解决办法](#5.3.1 解决办法)
[5.3.2 对数回归的方法 logit regression](#5.3.2 对数回归的方法 logit regression)
[5.3.3 概率转化为发生率后，发生率的变化不对称](#5.3.3 概率转化为发生率后，发生率的变化不对称)
[6 和机器学习的sigmoid函数（也叫逻辑函数）的关系（待完善）](#6 和机器学习的sigmoid函数（也叫逻辑函数）的关系（待完善）)
1 先从一个例题出来，预期值和现实值的差异怎么评价？
1.1 这样一个问题
SPSS，还有戏说统计那本数上都有
一个关于员工其实的数据例子，其中假设有这么一些数据
整体员工里，黑人和白人的比例，60：40
经理员工里，黑人和白人的比例，4：20
那么我们简单一看，就知道这两者比例不一样，那么这两者差距够大吗？是否可以作为黑人被歧视的证据之一呢？
1.2 我们的一般分析
- 第1：我们先有现在的这个现实数据了，但是我们不知道是否合理
- 第2：我们假设每个人都是平等的有成为经理的可能性。
- 先假设前提55开，也就是每个黑人和白人都是50%可能成为经理
- 那么假设员工人数里，就是合理现状，往下推论
- 现实的世界：SUM=24, 经理的现状4/20
- 按50%推测世界：(60*0.5=30) / (20*0.5=10)=3:1 ,SUM里应该分布是18/6
- 实际的和我们推测的数据差异很大，从而说明有问题，应然和实然差距太远
1.3 用到的关键点1
现实值，和预期值的差异，就是关键！
- 现实值VS预期值，对比
- 现实的世界 / 实然的世界：
- 按50%推测世界/ 应然的世界：
1.4 但是差距多远，算是远呢？
- 这就需要用到假设检验了
- 假设检验的方法就是，一般设定原假设，两者没差异H0。
- 然后给定一个我们能接受的显著度比如5%，双边检验。如果我们检验出来的值对应的概率，大于5%，我们就接受原接受。
- 如果对应的概率小于我们设定的显著度，那我们认为：在H0的假设下，现实已经发生的是小概率事件，不应该发生，从而拒绝原假设。
2 极大似然估计
2.1 极大似然估计的目的
上面引出的问题：预期值和现实值的差异怎么评价，就是极大似然估计要解决的问题
2.1.1 极大似然估计要解决什么问题？
- 极大似然估计要解决什么问题？：是用来判断预期值和现实值之前的差距，从而去推测过去应该是什么样子！
2.1.2 极大似然估计的原则：
- 极大似然估计的原则：现实一定是对应过去发生最大的概率的分支！
- 如果按照H0假设，推测发现已经存在的现实，并不是最大概率（小于显著度），那么就拒绝原假设！
2.2 什么是极大似然估计？
2.2.1 定义
定义：在现实已经发生的基础上，去回溯到过去，推测过去的某个时刻，自然量和因变量是什么样的关系时，现实的发生概率最大？这个推测过程，就是极大似然估计
简单定义：
- 过去最大概率对应的那个分支，极有可能就是现实！
- 现实就是，过去发生的各种可能里概率最大的那种情况！
2.2.2 似然率，likehood
- 现在的可能性---针对是未来，概率，probility
- 过去的可能性---针对是过去，似然率，likehood
2.3 如何理解
可以认为是一个类似坐上时光机去回溯，或者就是思想试验的东西
这个思想试验，是一个模型，就是认为现在往回去倒推，过去自变量和因变量的关系，现实应该是其中发生概率最大的可能对应的那个事件。如果推导不是这也，那就错了。这个就是极大似然估计。
2.4 如何落地？具体用什么来验证极大似然估计？ K2检验
见下面
3 K2检验 (K^2检验，K^2显著度检验)
3.1 K2检验
- chi-square test of independence
- K2检验和 自由度 高度相关
- K2就是chi-square，也就是 " chi 的平方值 "
3.2 K2值de公式
- K2=Σ(观察值-预期值)^2/预期值
- K2=(O1-E1)^2/E1+(O2-E2)^2/E2+.....+ (On-En)^2/En
3.3 K2值de判断逻辑
- 需要查表，根据当前的df+概率值的 二维交叉表，可以查到当前的K2值，在指定的df下，其发生的概率大多是多大，如果是小概率的事件，就拒绝。因为极大概率不会发生！
- 这也就是极大似然估计的逻辑。
3.4 具体步骤
- K2值是作为一个查表数值
- 去一个 df*概率的二维交叉表里去差K2数值在那一列！(df决定了行，df和K2共同决定了列！)
- 这样反查概率。
- 用概率率来判断，如果概率很小，证明是小概率事件，发生可能性很小，拒绝H0假设！
3.5 K2值表
3.5.1 K2分布表
- 横轴，行：自由度，DF
- 纵轴，列：概率
- 表中的值，K2值
3.5.2 特点
- 自由度df越大，自由的单元格就更多，表里同样概率对应的K2值就会更大
- 反过来说，也就是出现较大K2值的概率就越大
3.6 K2分布的曲线
3.6.1 曲线图形
- 横轴表示K2值,x
- 纵轴表示概率值,f(x)
- 不同的曲线表示不同df对应的 K2-概率曲线--也就是图上的K参数
- 看经典的K2的曲线。
- 自由度比较小的时候，单调下降
- 自由度比较大之后就开始接近正态分布的钟形曲线了，超过20接近正态
- T值检验T值也和自由度有关系，但关系比较松散不用太关心。
- 因为T检验一般检验连续变量，连续变量自由度很容易超过20，一般不考虑这个限制。
- 但是K2分布，一定要看自由度DF
- 一般自由度越大的K2曲线，K2的值，均值都会更大。
3.6.2 特点
可以看到变化
- 1 前面k=1 k=2的事后，是个完全单调下降的曲线，从df=3开始就开始接近正态分布，
- 2 自由度越大，越接近于正态分布
- 3 在自由度比较大时，比如df大于8，大于20，都可以比较多条曲线，就是同样的K2值（平行于纵轴的竖线）与对应的不同曲线的相交点，DF越大的曲线对应的概率越大**。**
- 反过来说，就是比较不同的自由度，自由度越大的曲线，对应同样的K2值，其对应的纵轴的概率会越大！
3.7 K2检验有2个要素
- 自由度
- K2值
3.8 K2检验的过程
3.8.1 K2值独立检验
- 先检验，算出来了确定的K2值的结果下，来判断，
- 如果自由度小，K2一般越大，越表示发生的概率小。
- 因而根据最大似然估计，推测 现在不可能是小概率发生，从而用K2检验拒绝了原来的假设。
- 极大似然估计认为，现在一定是 在过去那个事件点发生的概率最大！
4 对数回归
4.1 什么叫对数回归 logit regression
- 对数回归，即发生率的自然对数回归.
- 是以过去的可能性/概率为因变量(/结果)的回归分析
这里面有很多子概念，下面逐个拆解
- 过去的可能性/概率probility=似然率 likehood
- 发生率
- 发生率的对然对数回归
- 为什么要用对数回归
4.1.1 似然率，likehood
- 现在的可能性---针对是未来，概率，probility
- 过去的可能性---针对是过去，似然率，likehood
4.1.2 从概率到→发生率
- 我们这里不直接衡量，过去事情的发生率α，而是衡量其发生率
- 发生率=某个事件发生的概率/此事件不发生的概率
- α/(1-α)
4.1.3 发生率的对然对数回归
- 发生率的对然对数回归
- Ln(α/(1-α))
- 这个才是对数回归中，概率的测量单位: 发生率的自然对数。
5 为什么要用对数回归？
因为线性回归经常会遇到问题
5.1 线性回归的局限性
有时候用线性回归会出现 负数系数，负数截距等，而这是逻辑上不可能的情况
- 比如上学年数是收入的负相关系数，截距也为负等等
- 还会出现概率超过1情况
- 等等逻辑上很怪异的情况
5.1.1 具体举个例子
比如现实中的成绩只有 合格，不合格两档次，而且又没有具体的分数，我们需要分析人们及格的概率，需要怎么做呢？如果我们这么设计
5.2 什么原因引起的？
线性回归遇到问题的原因
- 原因1：如果纯都是定量数据就没问题，但是一旦里面混入了定性/定类数据，就有了问题
- 比如分析模型里有，年龄，成绩，这种定比数据，还有男女，是否经理这种定类数据都作为自变量时就有可能出现这样的情况
- 原因2：本身变量之间的关系就很复杂，不适合用线性关系来描述
- 原因3：其他
5.3 怎么解决？
5.3.1 解决办法
1 对数回归是方法之一：用对数函数处理后，结果还可以用线性表示
2 其他方法
5.3.2 对数回归的方法 logit regression
- 其实还是用的线性回归，只是用对数函数做了中转。
- 因为必须改成曲线回归
- 如何做曲线回归，很难
- 而用对数，可以变换成其他直线回归
5.3.3 概率转化为发生率后，发生率的变化不对称
概率转化为发生率后，发生率的变化不对称。但是发生率的自然对数。Log of it =p/(1-p) 却是对称的，正是利用了对数函数的这一效果。
概率，转化为发生率后，发生率的变化不对称。
发生率不对称，因为是比率，分母分子变化不对等
0.9/0.1=9 变化大，发生率变化小
0.99/0.01=99
0.999/0.001=999
0.9999/0.0001=9999 微量变化小，反而发生率变化很大。
转化为发生率的自然对数。
Log of it =ln(p/(1-p))
e=2.718
所以用自然对数，变成稳定的-4.5~4.5之间了
6 和机器学习的sigmoid函数（也叫逻辑函数）的关系（待完善）
【机器学习】逻辑回归原理（极大似然估计，逻辑函数Sigmod函数模型详解！！！）-腾讯云开发者社区-腾讯云在KNN算法中直接可以得出预测结果，但是如果想输出预测结果，还要输出预测结果的概率，这时候就需要使用逻辑回归解决问题。
https://cloud.tencent.com/developer/article/2450449https://zhuanlan.zhihu.com/p/696212659https://zhuanlan.zhihu.com/p/696212659