本文共 429 字，大约阅读时间需要 1 分钟。

有两个重点：第一、logistic回归本质上仍是一种线性回归；第二、该函数的输出默认值是分类为1的概率；如果输出值大于0.5，即分类结果为1

一般来说，回归不用在分类问题上，因为回归是连续型模型，而且受噪声影响比较大。如果非要应用进入，可以使用logistic回归。

     logistic回归本质上是线性回归，只是在特征到结果的映射中加入了一层函数映射，即先把特征线性求和，然后使用函数g(z)将最为假设函数来预测。g(z)可以将连续值映射到0和1上。

     logistic回归的假设函数如下，线性回归假设函数只是。

     logistic回归用来分类0/1问题，也就是预测结果属于0或者1的二值分类问题。这里假设了二值满足伯努利分布，也就是

     当然假设它满足泊松分布、指数分布等等也可以，只是比较复杂，后面会提到线性回归的一般形式。

     与第7节一样，仍然求的是最大似然估计，然后求导，得到迭代公式结果为

     可以看到与线性回归类似，只是换成了，而实际上就是经过g(z)映射过来的