最大似然估计（MLE）

在逻辑回归模型中，系数的求解通常使用的是极大似然估计（Maximum Likelihood Estimation, MLE）方法。极大似然估计通过最大化似然函数来找到模型参数，使得在给定数据下，模型预测的概率最大。

逻辑回归的目标是找到一个函数，该函数可以将输入变量（例如在网时长）映射到一个概率值（例如是否流失的概率）。为了实现这一点，我们使用一个S形的逻辑函数（logistic function），其形式为：

\[ P(y=1|x) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 x)}} \]

其中，\(\beta_0\) 和 \(\beta_1\) 是我们需要估计的参数。

极大似然估计的基本思想是选择那些参数值，使得在给定数据集上的似然函数值最大。似然函数是关于参数的函数，表示在给定参数值下观察到的数据的概率。

因此，正确答案是 C: 极大似然估计。

专业分析：
- **最小二乘法**：主要用于线性回归模型，通过最小化观测值和预测值之间的平方误差来估计参数。
- **贝叶斯方法**：通过结合先验分布和似然函数来估计参数，但在经典逻辑回归中不常用。
- **最大期望算法**：主要用于处理具有隐藏变量的模型，如混合高斯模型，不适用于逻辑回归。

综上所述，逻辑回归模型中系数的求解方法是极大似然估计。