据我所知，线性回归预测的结果可以是连续值，而逻辑回归预测的结果是离散的。在我看来，逻辑回归更像是分类问题。那么，为什么它被称为回归呢？

还有一个相关问题：线性回归和逻辑回归有什么区别？

回答：

线性回归和逻辑回归之间存在严格的联系。

在线性回归中，你在寻找 k_i 参数：

h = k₀ + Σ k_i ˙ X_i = K^t ˙ X

在逻辑回归中，你有相同的目标，但方程是：

h = g(K^t ˙ X)

其中 g 是 Sigmoid 函数：

g(w) = 1 / (1 + e^-w)

所以：

h = 1 / (1 + e^{-Kt ˙ X})

你需要根据数据来拟合 K。

假设是一个二分类问题，输出 h 是示例 x 在分类任务中被判定为正例的估计概率：

P(Y = 1) = 1 / (1 + e^{-Kt ˙ X})

当概率大于0.5时，我们可以预测为“匹配”。

当概率大于0.5时：

g(w) > 0.5

这在以下情况下为真：

w = K^t ˙ X ≥ 0

超平面：

K^t ˙ X = 0

是决策边界。

总结：

• 逻辑回归是一种广义线性模型，使用与线性回归相同的基本公式，但它是针对分类结果的概率进行回归的。

这是一个非常简略的版本。你可以在 这些视频 中找到简单的解释（Andrew Ng 的《机器学习》第三周）。

你也可以查看 http://www.holehouse.org/mlclass/06_Logistic_Regression.html 以获取课程笔记。