【机器学习】线性回归和逻辑回归有什么区别？这篇超详细的指南慢慢告诉你！

通过前面两篇的内容已经详细介绍了什么是线性回归（ 从零开始：感知器到多层感知器的全面指南），什么是逻辑回归（ 什么是逻辑回归？从入门到精通：掌握逻辑回归与二分类问题的解决之道 - CSDN App），这篇文章就从这两个模型入手，详细介绍他们之间的差别

逻辑回归与线性回归的区别

在机器学习中，线性回归和逻辑回归是两种基础的回归模型，它们都涉及到“回归”这一术语，但实际上应用场景和目标却完全不同。理解这两者的区别对于选择合适的模型至关重要。以下是对线性回归和逻辑回归的详细对比，从问题类型到输出方式，再到模型假设，逐一阐述它们的差异。

1. 问题类型

• 线性回归：
  线性回归是一种常用于回归问题的算法。其目标是通过建立自变量（输入特征）与因变量（目标值）之间的线性关系来进行预测。线性回归的目的是预测一个连续的数值输出。例如，预测房价、股票价格、温度等。

  应用场景：

  • 房价预测：根据房子的面积、位置等特征预测房价。
  • 温度预测：根据日期、地理位置等特征预测某地的温度。
  • 销量预测：根据广告投入、季节等特征预测商品的销售量。

• 逻辑回归：
  逻辑回归尽管名字中带有“回归”二字，但它是一种分类算法，用于二分类问题。逻辑回归的目标是预测输入数据属于某个类别的概率，最终输出是一个概率值，用于将样本分类到两个类别之一。逻辑回归最常见的应用场景是处理“是/否”类型的问题。

  应用场景：

  • 垃圾邮件分类：根据邮件内容预测邮件是否是垃圾邮件。
  • 疾病预测：根据患者的症状和体检数据预测是否患有某种疾病。
  • 客户流失预测：根据客户的购买历史、服务使用情况等数据预测客户是否会流失。

2. 输出类型

• 线性回归：
  线性回归模型的输出是一个连续的数值，这意味着模型的预测结果是一个实数值，范围是没有限制的。例如，房价预测可以输出500,000元，也可以是100,000元或10,000,000元。
  输出形式：
  $$\hat{y}={\beta }_0+{\beta }_1{x}_1+{\beta }_2{x}_2+\cdots +{\beta }_n{x}_n$$
  其中，$\hat{y}$是预测值，$x_1,x_2,\dots ,x_n$是输入特征，${\beta }_0$