Python :如何用sm.Logit解释logistic回归的结果

Question

当我使用sm.Logit (从statsmodel库)运行逻辑回归时，部分结果如下所示：

Pseudo R-squ.:                  0.4335

Log-Likelihood:                -291.08

LL-Null:                       -513.87

LLR p-value:                 2.978e-96

我怎样才能解释模型的意义？或者说，解释的能力？我应该使用哪个指示器？我在网上搜索过，没有多少关于Pseudo R2和LLR pvalue的信息。我很困惑，我不知道如何根据这些数字来判断我的模型的性能

Answer 1

p值:，这将允许您检验空假设。P值低(< 0.05)表示可以拒绝空假设.如果你不熟悉它，我建议：https://www.khanacademy.org/math/statistics-probability/significance-tests-one-sample/tests-about-population-mean/v/hypothesis-testing-and-p-values

r-平方:测量数据与拟合回归线有多近.它表示由线性模型解释的变量变化的百分比。

也许如果你能给我们更多关于你所做的假设和你回归的背景的细节，我们就能提供更多的帮助。

另外两个(日志可能性和LL Null)，我不太熟悉，但是下面是一些可能有用的资源：

https://en.wikipedia.org/wiki/Likelihood_function
http://www.statsmodels.org/stable/index.html
https://github.com/statsmodels/statsmodels