从公式的角度来看，我认为随机梯度下降应用于逻辑回归的最终结果。我不确定这是否正确。

只是想了解随机梯度下降与逻辑回归之间的关系。我猜测它的工作方式类似于神经网络，它计算如何改进权重（应用链式法则）。

换句话说，在计算逻辑回归公式后，它在其上应用链式法则，以获得更好的权重，并在循环中保持，直到逻辑回归的损失率接近零，这样正确吗？谢谢

例如，在完成逻辑回归计算后，

然后应用SGD(LR) -> 获取更新的权重 -> 在循环中再次执行逻辑回归，直到SGD满意为止

回答：

逻辑回归是一种使用逻辑函数（或类似变体）对离散系统进行建模的方法。也就是说，系统的输出具有有限数量的可能值。可以将其视为一种分类算法（尽管这种描述可能有危险，因为分类在技术上与回归不同），它将一组输入映射到一组有限的输出。

随机梯度下降是梯度下降（或批量梯度下降）优化算法的一种变体。它不是同时使用所有（或一“批”）训练数据（这可能非常耗费计算/内存），而是使用迭代近似来寻找跨N维输入空间的函数最小值。

随机梯度下降可以用来构建逻辑回归模型，类似于它可以用来构建线性回归模型。模型本身独立于用于训练它的优化算法。虽然随机梯度下降通常用作训练算法，但它并不是唯一的选择。