Machine learning 有序logistic回归与logistic回归有何不同？

我相信这个问题可能不属于聪明的范畴。但不知何故，为了学习机器学习，我可能会从一个愚蠢的问题开始。所以，请

我部分理解回归的术语。

回归基本上给出了因变量和自变量之间关系的概念

如果因变量是连续的，如果你看到因变量和自变量之间的线性关系，那么线性回归就是一种方法

现在有点变化。如果依赖值可能类似于二进制值（Y/N），即：输出值是二项分布，那么逻辑回归是一种需要依赖和独立之间非线性关系的方法

到目前为止，如果我错了，请纠正我

现在我的问题是关于有序逻辑回归。

我已经开始查看下面的链接以供参考

其中提到“它可以被视为多元线性回归的推广或二项逻辑回归的推广”

---

有人能用例子帮助我理解上面的说法吗？

逻辑回归可以被认为是线性回归的延伸。但它不是预测连续变量，而是通过引入激活函数的计算来预测离散变量。因此，我们要求您生成一个基于X的判别函数，您生成一个输出f:[1,2，…，k]的函数，其中k是问题出现的类数。现在X可以由连续或离散的特征组成。没关系，只要确保对它们进行预处理即可

逻辑回归的基本情况是找到划分两类的决策边界。但是为了添加更多的类，您必须实现另一种方法。有几种：softmax（）、one vs all（）等等

---

最后，回答您关于顺序逻辑回归的问题是逻辑回归的延伸。但是考虑输出变量的顺序，例如在测试的情况下。请在线查看示例

与其投反对票，不如告诉我理由。理想情况下，否决权应该与之相关联。这有点像无尽的痛苦，却不知道原因。