线性回归 解决的是 回归 问题， 逻辑回归 相当于是线性回归的基础上，来解决 分类 问题。

线性回归(Linear Regression) ：

逻辑回归 ：

从上面两个公式： 逻辑回归可以理解为在线性回归后加了一个sigmoid函数。将线性回归变成一个0~1输出的分类问题。

sigmoid函数就是：

函数图像是：

线性回归 得到大于0的输出， 逻辑回归 就会得到0.5 ~ 1的输出； 线性回归 得到小于0的输出， 逻辑回归 就会得到0 ~ 0.5的输出；

逻辑回归可以理解为在线性回归后加了一个sigmoid函数。将线性回归变成一个0~1输出的分类问题。

区别：

1.线性回归用来预测连续的变量（房价预测），逻辑回归用来预测离散的变量（分类，癌症预测）
2. 线性回归是拟合函数，逻辑回归是预测函数
3. 线性回归的参数计算方法是最小二乘法，逻辑回归的参数计算方法是似然估计的方法

附加1：
1）线性回归要求变量服从正态分布，逻辑回归对变量分布没有要求。
2）线性回归要求因变量是连续性数值变量，逻辑回归要求因变量是分类型变量。
3）线性回归要求自变量和因变量呈线性关系，逻辑回归不要求自变量和因变量呈线性关系
4）逻辑回归是分析因变量取某个值的概率与自变量的关系，而线性回归是直接分析因变量与自变量的关系

总之，逻辑回归与线性回归实际上有很多相同之处，最大的区别就在于他们的因变量不同，其他的基本都差不多，正是因为如此，这两种回归可以归于同一个家族，即广义线性模型（generalized linear model）。这一家族中的模型形式基本上都差不多，不同的就是因变量不同，如果是连续的，就是多重线性回归，如果是二项分布，就是逻辑回归。逻辑回归的因变量可以是二分类的，也可以是多分类的，但是二分类的更为常用，也更加容易解释。所以实际中最为常用的就是二分类的逻辑回归。

附加2：似然估计逻辑回归参数
举个例子，现在我们有了一个训练数据集，是一个二分类问题：

上面的 C ₁ 是类别，总共有两个类别。

似然简单的理解，就是让我们上面的数据集出现的概率最大我们来理解一下：

样本之间彼此独立，那么上面那个数据集的概率是什么？
是每一个样本的乘积，这个就是似然Likelihood：

我们希望这个w，b的参数估计值，就是能获得 最大化似然 的那个参数。也就是：



log又可以把之前的乘积和，转换成加法：




要找到让这个loss最小的时候的w和b，那怎么找？【梯度下降】