在解决分类问题时，为何不用传统线性回归模型，而要用logistic模型

本文精华在于最后一部分，前面特别是②这一部分感觉在胡言乱语，不建议除了我之外的人观看

1.为何不用线性回归模型

参考文献：文献1
该文献讲的十分通俗易懂，简单来说就是因变量为分类变量时，使用线性模型会违反五个回归假定中的两个。以及，结合吴恩达教授的网课来理解，如果我们用线性模型来强行预测分类的话，确实也可以把回归的直线看作决策边界，但是我们做的是预测，不是百分百准确的，因此更希望给出一个概率，如判断该肿瘤属于良性的可能性是90%。然而这样的概率在线性模型中是无法给出的，或者说给出的可能是低于0或高于1的错误值

（可见原文，稍微复习一下数学期望的相应公式就能推导出，我亲手推导过发现确实如此）

2.为何要用logistic模型

其他参考文献：
文献2
文献3（何谓logit）
文献4（部分原理+spss实现）

①满足上述假定

在文献4中提到，通过logit转换实现了对线性回归的要求

②对数函数的性质更符合分类问题的讨论

敏感性问题

该原因主要是通过文献2来阐述，文献3是对文献2中一些概念的介绍。
文献2首先提出了一个“敏感度”的原因，这个原因我没听懂，不知道为什么分类问题需要【随着自变量的变化，因变量产生更为巨大的变化，因此需要用对数函数】
我悟了，其实他想表达的意思是，因为在分类问题中（假设是二分的话），两个选项代表的意义是天差地别的，例如男女/喜欢讨厌/推荐不推荐等等，而如果是普通的线性回归，y的变动仅代表了数值的变化，也就是说更多的是“量变”，而逻辑回归则代表的是“质变”，因此我们更想用一个能够反映出“自变量的微小变动能带来因变量的巨大变化”、“敏感性较强”的函数来应用于分类问题上，那么我们很自然地想到指数函数，以及指数函数的反函数——对数函数，其在0~1之间的部分也是增长极快的。

对称性问题（按照文献2的思路）

那么为何要引入odd（几率、优势比）呢？


我觉得作者的意思是，目前的式子左边的log(y)的值域是在负无穷到正无穷之间，而在概率中更好地表达的方法是，必然不发生表示为0，必然发生表示为1或者正无穷。而引入了几率之后，其值域就在0到正无穷了，更符合我们的习惯。
↑错误的，仅仅是几率的定义域在0到正无穷，而对几率取对数，也就是

log(p/1-p)的值域在负无穷到正无穷之间。这篇文章好像有那么点问题，虽然可能是我理解不透彻，但是先别看了，直接看文献3吧
也就是说文献二的解释存在两个思路，一方面是解决敏感性问题，这个我可以理解，第二个方面是对称性问题，我目前还是无法理解。

③抛开以上两点（文献2），从文献3出发

用odd来代替概率的原因在于，假如我们等式左边是概率p的话，p的取值在0-1,而等式右边的取值是负无穷到正无穷，这样的等式就出问题了；而如果用和概率密切联系的几率，取其对数来作为因变量的话，就能很好地解决这个问题，并且意义还不会发生变化。
以上这段话是加上了自己的理解的，也就是说一开始用线性回归中的y作为因变量肯定不合适，会违背回归假定，以及出现吴恩达教授所说的一些问题，例如出现极端值的话很容易影响直线的变动（卧槽这么一说我突然更能够理解所谓“敏感性”问题了，因为S型的曲线会比直线更具有“抗干扰性”。不过这个抗干扰性和文献2中所说的敏感性是同一个东西吗？好像不对）；如果用概率p的话也不行，因为等式直接不成立了，左右两边的定义域不同；那么最后选用了几率的对数，完美地解决了上述的问题

注意一下，此处的最后一个式子和吴恩达给出的式子是一样的：

仅需把吴恩达的式子右边上下同乘以eαx即可。