Logistic Regression & GLM: 解释 odds 与 log-odds，以及系数如何解释。

Core Concept: odds=p/(1-p)，logit 是 log-odds；系数表示特征每增 1 单位，log-odds 变化 β。

三个概念层层递进：<strong>概率</strong> p∈[0,1]（线性预测无法直接建模，因为 wᵀx∈(−∞,∞)）；<strong>优势（odds）</strong> p/(1−p)∈[0,∞)（解决了下界问题但仍有上界问题）；<strong>对数优势（log-odds / logit）</strong> log(p/(1−p))∈(−∞,∞)（可与线性预测直接相等）。因此逻辑回归建模的是 log-odds 的线性性。系数解释：βⱼ 表示'xⱼ 增加 1 单位、其他特征不变时，log-odds 增加 βⱼ'，等价于<strong>优势变为原来的 e^{βⱼ} 倍</strong>（优势比 OR）。例如 β=0.693 对应 OR=e^0.693=2，即优势翻倍。

实践中的注意点：① <strong>优势比 ≠ 概率比</strong>——OR=2 不意味着概率翻倍；当基准概率很低（如 p=0.01）时 OR≈风险比（RR），但当 p 接近 0.5 时两者差异巨大（p 从 0.5 到 0.667 是 OR=2 但概率仅增 0.167）。② <strong>多分类的 softmax 系数</strong>——K 类时只有 K−1 组系数可辨识（存在'参照类'），解释为'相对参照类的 log-odds 变化'；系数之和为零的约束是常见参数化。③ <strong>业务友好的替代</strong>——在风控评分卡中常用 <strong>WOE（证据权重）</strong> 与 <strong>评分刻度</strong>（score=A−B·log(odds)），把 log-odds 线性变换为整数分，便于业务沟通与阈值设定。④ <strong>共线性的影响</strong>——系数解释要求'其他特征不变'，但共线时该条件无法满足，故 OR 会不稳定。