Venho examinando a documentação do sklearn, mas não consigo entender o objetivo dessas funções no contexto da regressão logística. Pois decision_functiondiz que é a distância entre o hiperplano e a instância de teste. como essas informações específicas são úteis? e como isso se relaciona com predicte predict-probamétodos?
Lembre-se de que a forma funcional da regressão logística é
É isso que é retornado por predict_proba.
O termo dentro do exponencial
é o que é retornado por decision_function. O "hiperplano" referido na documentação é
Essa terminologia é uma reserva das máquinas de vetores de suporte, que literalmente estimam um hiperplano de separação. Para a regressão logística, esse hiperplano é um construto artificial, é o plano de igual probabilidade, onde o modelo determinou que as duas classes-alvo são igualmente prováveis.
A predictfunção retorna uma decisão de classe usando a regra
Correndo o risco de caixa de sabão, a predictfunção tem muito poucos usos legítimos, e vejo isso como um sinal de erro ao revisar outros trabalhos. Eu iria longe o suficiente para chamá-lo de erro de design no próprio sklearn (a predict_probafunção deveria ter sido chamada predicte predictdeveria ter sido chamada predict_class, se é que alguma coisa).