一、logit值的来源
逻辑回归一般将因变量二分类变量的0-1转变为频率[0,1]，变成odds（优势比，[0,+∞]），然后log一下成为Logit值([-∞,+∞])
优势比就是：odds=P(y=1)/P（y=0）
logit值：logit=log(odds)
什么是sigmoid函数？
先定义了一个直觉的概念优势比 p/(1-p)，p是true时的概率，1-p是false时的概率，对优势比取log,即t=log(p/(1-p))进行值域转换，转到所有实数域。然后反过来求p，最终即可得到sigmoid函数。
sigmoid函数的有趣特点是，自变量是负无穷到正无穷，应变量是0到1。越接近0变化越大。导函数是p(1-p)，导函数很有趣。（参考：大话逻辑回归）
——————————————————————————————————
二、logit建模
利用logit=Y进行建模，得到Logit之后就可以根据其进行计算概率。Logit=经济学上的效用，效用是一个连续变量，logit模型相当于是效用建模。
所以一般来说，逻辑回归出来的系数都是logit值的系数，需要转化为概率值。简单的理解可以认为是：
输入是x，输出是y，中间有个临时变量是t。w和b是模型参数。h(t)是属于某个类别的概率，大于0.5认为属于这个类别，即y=1。 
简便起见，我们可以认为b始终和一个值为1的w相乘。于是我们把b放入w。模型简化为
这就是逻辑回归的公式，非常简单。
（参考：大话逻辑回归）——————————————————————————————————
三、logit函数建模阀值设定
在风控模型汇总，logistics阀值的设置根据业务主来判断。一般高信用自动通过，中风险需要审查；风险较大的拒绝借贷。
——————————————————————————————————
四、R语言实现
1、逻辑回归
逻辑回归一般用glm函数中的binomial(link='logit')来建模。
- lg<-glm(y ~x1,family=binomial(link='logit'))
- summary(lg)
此时的回归系数的用途只有两个：正负号、显著性.回归系数代表每增加1个单位x，会增加logit值增加0.1个单位，并且正向影响。如果需要知道概率值需要重新计算。
2、逐步回归筛选变量——step
在逻辑回归之上，我们可以用逐步回归方法，对变量进行剔除。
- lg_ms<-step(lg,direction = "both")
- summary(lg_ms)
3、验证集预测——predict
- train$lg_p<-predict(lg_ms, train)
- summary(train$lg_p)
predict的预测结果也同样是logit值，并不是概率，需要进行再计算
4、计算概率值
- 1/(1+exp(-1*train$lg_p))
5、模型验证的方法
作为排序类模型，可以用ROC曲线/AUC值、累积提升曲线、K-S曲线、洛伦兹曲线gini来验证（笔记︱风控分类模型种类（决策、排序）比较与模型评估体系（ROC/gini/KS/lift））。