不同之处：
(1)、两者最本质的区别是逻辑回归处理的是分类问题，线性回归处理的是回归问题；在逻辑回归中，因变量取值是一个二元分布，模型学习得出的是E[y|x;w]，即给定自变量和超参数后，得到因变量的期望，并基于此期望来处理预测分类问题。而线性回归实际上求解的是
y
^
=
w
T
x
\hat y =w^Tx
y^=wTx，是假设真实关系
y
=
w
T
x
+
ϵ
y = w^Tx+ \epsilon
y=wTx+ϵ的一个近似,其中
ϵ
\epsilon
ϵ 代表误差项。
（2）、逻辑回归的因变量是离散，而线性回归中因变量是连续的。并且在自变量x与超参数w确定的情况，逻辑回归可以看作广义线性回归（Generalized Linear Models）在因变量y服从二元分布时的一个特殊情况；而使用最小二乘法求解线性回归时，因变量y服从正态分布。
相同之处：
（1）都可以使用极大似然估计对训练样本进行建模：线性回归使用最小二乘法，就是在自变量x与超参数w确定，因变量y服从正态分布假设下，使用极大似然的一个化简；而逻辑回归中对似然函数
∏
i
=
1
N
[
p
1
(
x
^
;
w
^
)
y
i
⋅
p
0
(
x
^
;
w
^
)
(
1
−
y
i
)
]
\prod^N_{i=1}[p_1(\hat x;\hat w)^{y_i} \cdot p_0(\hat x;\hat w)^{(1-y_i)}]
∏i=1N[p1(x^;w^)yi⋅p0(x^;w^)(1−yi)]的学习，得到最佳的参数；
（2）二者在求解超参数的工程中，都可以使用梯度下降的方法；
取自【白面机器学习】
28万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
