PyTorch实现逻辑回归

一、逻辑回归概述

逻辑回归（Logistic Regression）是一种用于解决分类问题（尤其是二分类）的统计学习方法。虽然名字中有“回归”，但它实际上是一种分类算法。

逻辑回归的核心思想是：
【1】通过线性回归计算一个连续值（线性组合）。
【2】再使用Sigmoid函数（Logistic函数）将线性回归的输出映射到 (0,1) 区间，表示概率。
【3】最终根据概率值进行分类（如设定阈值为 0.5，大于 0.5 判为 1，否则判为 0）。

逻辑回归的优点：
【1】计算简单，训练速度快。
【2】输出具有概率解释（可以计算样本属于某类的概率）。
【3】可扩展性强（可结合 L1/L2 正则化防止过拟合）。
逻辑回归的缺点：
【1】仅适用于线性可分或近似线性可分的数据。
【2】对异常值敏感。
【3】不能直接处理多分类问题（但可通过 One-vs-Rest 或 Softmax 扩展）。

逻辑回归是一种常用的机器学习算法，虽然名字里有“回归”，但它实际上是用于解决分类问题的下面通过两个通俗易懂的例子，说明为什么要使用逻辑回归：

例子1：判断邮件是否为垃圾邮件

场景：每天我们都会收到大量邮件，需要快速判断哪些是垃圾邮件（如广告、诈骗信息），哪些是正常邮件。

为什么用逻辑回归？

【1】输入与输出明确：输入是邮件的特征（如标题是否包含“免费”“优惠”，发件人是否陌生，内容是否有大量链接等），输出是一个概率值（例如“这封邮件有80%的概率是垃圾邮件”）。

【2】简单高效：逻辑回归能通过训练数据学习这些特征的权重，比如“标题含‘免费’的权重是0.6，陌生发件人权重是0.8”，然后用公式快速计算概率，不需要复杂的模型结构，适合处理海量邮件。

【3】可解释性强：可以直观知道哪些特征对分类影响更大（如“陌生发件人”比“含链接”更可能让邮件被判定为垃圾邮件），方便后续优化规则（比如拦截高概率的邮件）。

例子2：预测用户是否会点击广告

场景：电商平台想向用户推送广告，需要预测用户是否会点击，从而优化广告投放策略。

为什么用逻辑回归？

【1】概率输出实用：输入用户特征（如年龄、性别、历史浏览记录、购物偏好等），逻辑回归会给出“用户点击广告的概率”（如“25岁女性用户，常浏览美妆产品，点击美妆广告的概率是65%”）。

【2】平衡成本与效果：如果直接按“点击/不点击”二分类，可能错过一些“中等概率”的潜在用户；而逻辑回归的概率值可以灵活设置阈值——比如当概率>50%时投放广告，既能提高点击率，又避免向低概率用户浪费资源。

【3】适配业务需求：广告投放场景中，数据通常是大规模且实时更新的，逻辑回归计算速度快，适合在线上实时预测