回归分析详解：一文说清回归、线性回归、非线性回归、Logistic回归

文章大纲

1. 回归分析是什么？

2. 回归、线性回归、非线性回归、Logistic回归的不同？

3. 实际的应用例子与python代码实现

回归分析是什么？

回归分析是一种统计分析方法，用于预测一个连续变量与一个或多个其他变量之间的关系。回归分析通过建立模型来预测因变量（被预测变量）与自变量（预测变量）之间的关系，从而预测因变量的值。回归分析有多种形式，包括线性回归、非线性回归、Logistic回归等。

回归、线性回归、非线性回归、Logistic回归的不同？

回归：是一种统计分析方法，用于预测一个连续变量与一个或多个其他变量之间的关系。
线性回归：是回归分析的一种，假设因变量与自变量之间存在线性关系，即因变量与自变量的关系可以用一条直线来描述。
非线性回归：是回归分析的一种，假设因变量与自变量之间不存在线性关系，即因变量与自变量的关系不能用一条直线来描述，需要用更复杂的函数模型来描述。
Logisic回归：是回归分析的一种，专门用于预测二元分类结果（例如，预测一个人是否患有疾病），而不是连续变量。该模型建立在Sigmoid函数基础上，该函数可以将任意实数值映射到0~1范围内，表示某个事件的概率。

实际例子解释不同回归方法的应用场景

• 线性回归：该方法假设因变量和自变量之间存在线性关系。它最常见的应用场景是预测数值型变量，如预测房价根据面积、房龄等因素。

• 非线性回归：该方法假设因变量和自变量之间不存在线性关系，而是存在非线性关系。假如我们希望预测某商家的销售额，我们可以使用非线性回归分析，并通过分析广告费用、宣传渠道、季节等因素与销售额之间的关系，从而预测出销售额的变化趋势。非线性回归的模型可以更好地捕捉复杂的非线性关系，并对预测结果产生更大的影响。

• Logistic回归：常常用于二元分类问题，例如：预测某个用户是否会购买某种商品，或预测某个患者是否患有某种疾病。我们可以利用Logistic回归分析不同的因素，如年龄、性别、收入水平等，并预测其对购买行为或疾病状况的影响，从而得出预测结果。

转自：https://www.jianshu.com/p/560bfa6eb5cd