statsmodels中用于比较逻辑回归模型的可用评估指标有哪些？

statsmodels的Logit拟合结果内置了多个可直接调用的指标，适合不同场景下的模型对比，常用的有以下几类：

• 信息准则类（AIC/BIC）
  这两个指标平衡了模型拟合效果和特征数量，数值越小代表模型综合表现越好，适合同数据集下所有逻辑回归模型的对比，无需模型为嵌套关系。
  调用方式：
  log_mod.aic 获取AIC值
  log_mod.bic 获取BIC值
• 似然比检验相关指标
  仅适用于嵌套模型（即一个模型的特征集合是另一个模型特征集合的子集）的显著性对比：
  1. 模型整体显著性检验p值：log_mod.llr_pvalue，返回当前模型和仅含截距项的空模型的似然比检验p值，p小于预设显著性水平（通常为0.05）说明你的模型比空模型解释力显著更强
  2. 两个嵌套模型对比：调用mod_with_more_features.compare_lr_test(mod_with_less_features)，返回结果依次为似然比卡方统计量、p值、自由度差，p小于显著性水平说明特征更多的模型解释力提升显著
• 分类效果类指标
  如果你的模型最终用于分类预测，可直接调用log_mod.pred_table(threshold=0.5)生成样本内混淆矩阵，threshold参数可以根据业务需求调整分类阈值，基于混淆矩阵可以快速计算准确率、精确率、召回率、F1值等分类指标，直接对比不同模型的实际分类表现。

注意：所有模型对比指标都需要在相同的样本集上计算才具备可比性，不要用不同样本量、不同样本分布的数据集计算的指标直接对比。

内容的提问来源于stack exchange，提问作者Jimmy