Machine learning 为什么逻辑回归称为回归？

根据我的理解，线性回归预测的结果可以是连续值，而逻辑回归预测的结果是离散的。在我看来，逻辑回归类似于分类问题。那么，为什么称之为回归呢

---

还有一个相关的问题：

线性回归和逻辑回归之间有着严格的联系

使用线性回归，您可以查找ki参数：

h=k0+∑ki&dot；席= KT和DOT；X

逻辑回归的目标是一样的，但方程是：

h=g（Kt&dot；X）

其中

g

是：

g（w）=1/（1+e-w）

因此：

h=1/（1+e-Kt&dot；X）

您需要将K与您的数据相匹配

假设二元分类问题，输出

h

是示例

x

在分类任务中为正匹配的估计概率：

p（Y=1）=1/（1+e-Kt&dot；X）

当概率大于0.5时，我们可以预测“匹配”

在以下情况下，概率大于0.5：

g（w）>0.5

当：

w=Kt&dot；X≥ 0

超平面：

Kt&dot；X=0

是决策的边界

总之：

• logistic回归是一种广义线性模型，使用与线性回归相同的基本公式，但它用于分类结果的概率

这是一个非常简略的版本。你可以在（Andrew Ng的机器学习第三周）中找到一个简单的解释

---

您还可以查看课程中的一些注释。

逻辑回归属于监督学习的范畴。它通过使用逻辑/S型函数估计概率来测量分类因变量与一个或多个自变量之间的关系。 逻辑回归有点类似于线性回归，或者我们可以将其视为广义线性模型。 在线性回归中，我们根据输入变量的加权和预测输出y

y=c+x1*w1+x2*w2+x3*w3+..…+xn*wn

线性回归的主要目的是估计c、w1、w2、…、wn的值，最小化成本函数并预测y

逻辑回归也做同样的事情，但有一个附加。它将结果通过一个称为logistic/sigmoid函数的特殊函数来生成输出y

y=逻辑（c+x1*w1+x2*w2+x3*w3+xn*wn）

---

y=1/1+e[-（c+x1*w1+x2*w2+x3*w3+..+xn*wn）]

如前所述，逻辑回归是一种广义线性模型，使用与线性回归相同的基本公式，但它是对分类结果概率的回归

正如你们所看到的，我们得到了线性回归和逻辑回归的相似类型的方程。 不同之处在于，线性回归给出了给定x的连续值y，而逻辑回归也给出了给定x的连续值p（y=1），随后根据阈值（0.5）转换为y=0或y=1

---

逻辑回归

实际上是一种分类策略。所以它的名字可能会让人困惑。为什么它被称为逻辑“回归”？好问题-可能是因为从统计学的角度来看，它只是一个广义线性模型，预测

0

和

1

之间的连续值，可以解释为

概率

。我投票结束这个问题，因为它与编程无关。这类问题没有答案。如果这个问题是离题的，那么不是也离题了吗？这个站点上有很多关于python库执行逻辑回归的问题，因为很难将实现问题与像这样的理论问题分开。