线性回归和逻辑回归有什么区别？

当我们必须预测分类结果的价值时，我们使用逻辑回归。 我相信我们使用线性回归来预测给定input值的结果的价值。

那么，这两种方法有什么区别呢？

Answer 1

在线性回归中，结果（因variables）是连续的。 它可以具有无数个可能值中的任何一个。 在逻辑回归中，结果（因variables）仅具有有限数量的可能值。

例如，如果X包含房屋的平方英尺面积，Y包含这些房屋的相应销售价格，则可以使用线性回归来预测销售价格作为房屋大小的函数。 虽然可能的销售价格可能实际上并不是什么 ，但是有很多可能的价值，所以select线性回归模型。

相反，如果你想根据规模来预测房子的销售是否超过20万美元，那么你可以使用逻辑回归。 可能的产出是“是”，房子的售价将超过20万美元，否则房子不会。

Answer 2

• 线性回归输出为概率

  使用线性回归输出作为概率是诱人的，但这是一个错误，因为输出可能是负的，大于1，而概率不可能。 由于回归实际上可能产生的概率可能小于0，甚至大于1，因此引入逻辑回归。

  资料来源： http ： //gerardnico.com/wiki/data_mining/simple_logistic_regression

  

• 结果

  在线性回归中，结果（因variables）是连续的。 它可以具有无数个可能值中的任何一个。

  在逻辑回归中，结果（因variables）仅具有有限数量的可能值。

• 因variables

  逻辑回归用于响应variables本质上是分类的时候。 例如，是/否，是/否，红/绿/蓝，一/二/三/四等

  当你的响应variables是连续的时候使用线性回归。 例如，体重，身高，小时数等

• 方程

  线性回归给出了forms为Y = mX + C的方程，表示方程为1。

  然而，逻辑回归给出的forms为Y = e ^ X / 1 + e ^ -X

• 系数解释

  在线性回归中，独立variables的系数解释是相当直接的（即保持所有其他variables不变，随着单位增加这个variables，因variables预计会增加或减lessxxx）。

  然而，在逻辑回归中，取决于您使用的族（二项式，泊松等）和连接（log，logit，inverse-log等），其解释是不同的。

• 错误最小化技术

  线性回归使用普通最小二乘法来最小化误差并达到最佳拟合，而逻辑回归使用最大似然法来求解。

  线性回归通常通过最小化模型对数据的最小平方误差来解决，因此大的误差被二次惩罚。

  逻辑回归正好相反。 使用逻辑损失函数会导致大的错误被渐近地保持不变。

  考虑分类{0,1}结果的线性回归，看看为什么这是一个问题。 如果你的模型预测结果是38，当事实是1时，你什么也没有损失。 线性回归试图减less38，逻辑不会（尽可能多） ² 。

Answer 3

简而言之，线性回归是一种回归algorithm，其可能连续且无限的价值; 逻辑回归被认为是二元分类器algorithm，其输出属于标签（0或1）的input的“概率”。