线性回归和logistic回归的主要区别在于，线性回归用于预测连续值，而logistic回归用于预测离散值。

机器学习系统可以基于对过去输入的训练来预测未来的结果。机器学习主要有两种类型，即有监督学习和无监督学习。回归和分类属于有监督学习，聚类属于无监督学习。有监督学习算法使用标记数据来训练数据集。线性回归和logistic回归是两种监督学习算法。当因变量连续且模型为线性时，采用线性回归。当因变量为离散变量且模型为非线性时，采用Logistic回归。

覆盖的关键领域

1.什么是线性回归-定义，功能2.什么是逻辑回归-定义，功能3.线性回归和逻辑回归之间的差异-关键差异的比较

关键术语

线性回归，逻辑回归，机器学习

什么是线性回归(linear regression)？

线性回归发现自变量和因变量之间的关系。它们都是相邻的。自变量是不被其他变量改变的变量。用x表示。也可以有多个自变量，如x1、x2、x3等。因变量根据自变量变化，用y表示。

当有一个自变量时，回归方程如下。

y=b0+b1x

例如，假设x代表降雨量，y代表作物产量。

Figure 1: Linear Regression

数据集如上图所示。然后，选择一条覆盖大多数数据点的线。这条线代表预测值。

Figure 2: Distance between the actual data points and the predicted values

然后，从每个数据点到直线的距离如上图所示。这是实际值和预测值之间的距离。这个距离也称为误差或残差。最佳拟合线应具有最小的误差平方和。当给定新的降雨量值（x）时，可以用这条线求出相应的作物产量（y）。

在现实世界中，可以有多个自变量（x1，x2，x3…）。这叫做多元线性回归。多元线性回归方程如下。

什么是逻辑回归(logistic regression)？

Logistic回归可分为两类。它也被称为二进制分类。检查邮件是否是垃圾邮件，预测客户是否会购买产品，预测是否有可能获得促销，这些都是逻辑回归的其他一些例子。

Figure 3: Logistic Regression

假设学生每天学习的小时数是自变量。据此，计算出通过考试的概率。将值0.5视为阈值。当给出新的学时数时，可以使用此图找到相应的通过考试的概率。如果概率大于0.5，则视为1或通过。如果概率低于0.5，则视为0或失败。

将线性回归方程应用于sigmoid函数将得到logistic回归方程。

sigmoid函数是

另一个需要注意的重要点是，logistic回归只适用于分类2类。它不用于多类分类。

线性回归(linear regression)和逻辑回归(logistic regression)的区别

定义

线性回归是一种线性方法，用于模拟因变量和一个或多个自变量之间的关系。相反，logistic回归是一种统计模型，它可以预测只有两个值的结果的概率。

使用

线性回归用于解决回归问题，logistic回归用于解决分类问题（二元分类）。

方**

当自变量发生变化时，线性回归估计因变量。逻辑回归计算事件发生的可能性。这是线性回归和逻辑回归的一个重要区别。

产值

而且，在线性回归中，输出值是连续的。在logistic回归中，输出值是离散的。

模型

虽然线性回归使用直线，逻辑回归使用S曲线或sigmoid函数，这是线性回归和逻辑回归的另一个重要区别。

示例

预测一个国家的GDP，预测产品价格，预测房屋销售价格，得分预测是线性回归的一些例子。预测电子邮件是否是垃圾邮件，预测信用卡交易是否欺诈，预测客户是否会贷款是逻辑回归的一些例子。

结论

线性回归和logistic回归的区别在于，线性回归用于预测连续值，而logistic回归用于预测离散值。简言之，线性回归用于回归，而logistic回归用于分类。

引用

1.线性回归分析| Python中的线性回归|机器学习算法| SimpleLearn，2018年3月26日，可在此处获取。2。Logistic回归| Python中的Logistic回归|机器学习算法| simplelearn，2018年3月22日，此处提供。 2.逻辑回归| Python中的逻辑回归|机器学习算法| SimpleLearn，2018年3月22日，