#logistic-regression

Medium

Learn Logistic Regression from first principles with sigmoid, Maximum Likelihood, and Binary Cross-Entropy explained simply, clearly, and visually.

How to Test Whether a Predictive Model Deserves to Become a Product using GLM with python

How to Test Whether a Predictive Model Deserves to Become a Product using GLM with python How to model conversion, activation, usage, switching, and latency from real product telemetry Product teams …

I Pitted XGBoost Against Logistic Regression on 358 Matches. The Boring Model Won.

A practical experiment comparing five classifiers (logistic regression, random forest, KNN, neural network, XGBoost) on 358 international football matches reveals that logistic regression wins on log-loss while XGBoost performs worse than random guessing. The explanation centers on the bias-variance tradeoff: with only 358 samples and three features, high-capacity models overfit and produce confidently wrong probabilities, which log-loss penalizes heavily. The post explains why logistic regression's inductive bias matches the near-linear relationship in the data, discusses how to rescue tree-based models via regularization, and offers learning curves as a diagnostic for when complex models become worth it. The key takeaway is to match model complexity to data size, not to hype.

How to Build a Credit Scoring Grid From a Logistic Regression Model

Bài viết hướng dẫn chi tiết cách chuyển đổi hệ số từ mô hình logistic regression thành điểm tín dụng 0–1000, sau đó phân nhóm điểm thành sáu lớp rủi ro. Quá trình bao gồm tính điểm cho từng hạng mục biến dựa trên công thức hệ số, tổng điểm cho mỗi khách hàng, đo lường đóng góp của biến (loan_percent_income chiếm 35%), và kiểm định sự phân tách giữa khách vỡ nợ và không vỡ nợ. Cuối cùng, xây dựng bảng rủi ro bằng vingtiles và xác nhận tính ổn định của phân nhóm trên các tập dữ liệu train, test và out-of-time.

Lập trình viên nên đọc bài này để hiểu cách chuyển đổi mô hình phân loại logistic thành hệ thống đánh giá tín dụng thực tế, giúp tự động hóa và tối ưu hóa quy trình phân loại rủi ro khách hàng một cách khoa học và hiệu quả.