线性回归与逻辑回归

什么是线性回归（linear regression）？

• 线性回归—回归—监督学习—机器学习
• 回归的目的是为了预测，回归之所以可以能预测是因为它通过大量历史数据总结出“套路”，然后利用这个“套路”来预测未来的结果。
• 线性回归指的是变量之间符合线性关系，那么通过历史数据，摸清变量之间的“套路”，建立一个有效的模型，来预测未来的变量结果。
• 优点：建模速度快，可解释性好；
• 缺点：不能很好拟合非线性数据

什么是逻辑回归（Logistic regression）？

• 逻辑回归—分类—监督学习—机器学习
• 逻辑回归主要解决二分类问题，用来表示某件事情发生的可能性
• 优点：实现简单，分类时计算量小，速度快，存储资源低
• 缺点：容易欠拟合，只能处理二分类问题，且必须线性可分，对于非线性特征，需要进行转换

线性回归与逻辑回归

• 线性回归解决分类问题，要求变量连续，符合线性关系，能够直观表达变量关系；
• 逻辑回归解决分类问题，要求变量离散，可以不符合线性关系，无法直观表达变量关系。