线性回归与逻辑回归

线性回归和逻辑回归是受监督学习技术的两种著名的机器学习算法。由于这两种算法本质上都是受监督的，因此这些算法使用标记的数据集进行预测。但是它们之间的主要区别在于它们的使用方式。线性回归用于解决回归问题，而逻辑回归用于解决分类问题。两种算法的描述以及差异表在下面给出。

线性回归：

• 线性回归是监督学习技术下最简单的机器学习算法之一，用于解决回归问题。
• 它用于在自变量的帮助下预测连续因变量。
• 线性回归的目标是找到可以正确预测连续因变量输出的最佳拟合线。
• 如果将单个自变量用于预测，则称为简单线性回归；如果有两个以上自变量，则将这种回归称为多重线性回归。
• 通过找到最佳拟合线，算法建立了因变量和自变量之间的关系。并且该关系应该是线性的。
• 线性回归的输出应仅是连续值，例如价格，年龄，薪水等。因变量和自变量之间的关系如下图所示：

在上图中，因变量在Y轴(薪水)上，自变量在x轴(经验)上。回归线可以写成：

其中，a0和a1是系数，而ε是误差项。

逻辑回归：

• 逻辑回归是监督学习技术下最受欢迎的机器学习算法之一。
• 它既可以用于分类问题，也可以用于回归问题，但主要用于分类问题。
• 逻辑回归用于在自变量的帮助下预测分类因变量。
• Logistic回归问题的输出只能在0和1之间。
• 在需要两类之间的概率的情况下，可以使用逻辑回归。例如今天是否下雨，0或1，对还是错等等。
• Logistic回归基于最大似然估计的概念。根据此估计，观察到的数据应该是最有可能的。
• 在逻辑回归中，我们将输入的加权和通过激活函数传递，该函数可以映射介于0和1之间的值。这种激活函数称为Sigmoid 函数 ，获得的曲线称为Sigmoid曲线或S曲线。考虑下图：

• Logistic回归方程为：

线性回归和逻辑回归之间的区别：