在数学上，线性函数关系是直线，而非线性函数关系是非直线，包括各种曲线、折线、不连续的线等；线性方程满足叠加原理，非线性方程不满足叠加原理；线性方程易于求出解析解，而非线性方程一般不能得出解析解，而求其最优解。
Logistic Regression 就是一个被logistic方程归一化后的线性回归，其可用于概率预测，也可用于分类。并不是所有的机器学习方法都可以做可能性概率预测（比如SVM就不行，它只能得到1或者-1）。可能性预测的好处是结果有可比性：比如我们得到不同广告被点击的可能性后，就可以展现点击可能性最大的N个。这样以来，哪怕得到的可能性都很高，或者可能性都很低，我们都能取最优的topN。当用于分类问题时，仅需要设定一个阈值即可，可能性高于阈值是一类，低于阈值是另一类。
仅能用于线性问题，只有在feature和target是线性关系时，才能用Logistic Regression（不像SVM那样可以应对非线性问题）。这有两点指导意义，一方面当预先知道模型非线性时，果断不使用Logistic Regression； 另一方面，在使用Logistic Regression时注意选择和target呈线性关系的feature。LR分类器（Logistic Regression Classifier），在分类情形下，LR分类器其实就是找出一组权值，形成计算样本数据出现概率密度的回归方程。
为了计算某个事件发生的可能性即概率，可以把跟这个事件相关的所有特征加权求和。例如，要求今天下雨的可能性，可以把今天所有和下雨相关的特征与其概率加权求和，例如梅雨季节权重为9（每天都很可能下雨），有台风经过权重为6，等等，每一个因素都影响着“下雨的可能性”，即：
但是这个加权求和的结果是在 (−∞,+∞) 范围内的，为了能表示预测的概率，我们希望把输出值限制在(0,1) 之间，而不是 (−∞,+∞) 。所以，这时，逻辑函数就出场了。
它的函数值刚好就是在(0,1)之间。所以，我们通过逻辑函数，就可以计算出一个事件的概率了(0,1)之间。但是不要忘了，我们前面说要处理二分类问题，得到一个(0,1)之间的任意值并不能归到两个分类中的一个里去，所以还要把这个概率值“归类”。其实这里很简单，我们可以在 f(X)>0.5 的时候，把它归到类别1中， f(X)≤0.5 的时候，把它归到类别2中就可以了（概率值的“分水岭”可以根据实际情况调整）。用数学公式来表达这段话的含义就是：
在各种机器学习的文章中，你都会看到，它们给了逻辑函数一个常用的名字：Sigmoid函数。sigmoid，意为“S形的”，这正符合其函数图像特点，所以大家记住就行了。由于sigmoid函数的定义域是(-inf,inf),而值域为(0,1)。因此最基本的LR分类器适合对两类目标进行分类。那么LR分类器的这一组权值是如何求得的呢？这就需要涉及到对数损失函数的概念了。
因此，我们只要找到一个参数向量 θ ，能使得此式的值最小，那么这个参数向量 θ 就是“最优”的参数向量。求得了这个最优的 θ 之后，把它代入逻辑函数sigmoid中，则对任一个未知的 X ，我们都可以计算出 f(X) 值，然后再根据一个阈值把它调整到 0 或 1，就得到了这个 X 所属的分类，这样，我们就完成了一次“预测”的过程。
我们将sigmoid函数看成是样本数据的概率密度函数，每一个样本点，都可以通过上述的公式计算出其概率密度。应用举例：调用logistic回归函数，计算视力状况、年龄、驾车教育与是否发生事故的logistic回归模型。
1）x1：表示视力状况，分类变量，1表示好，0表示有问题；
2）x2：年龄，数值型；
3）x3：驾车教育，分类变量，1表示参加过驾车教育，0表示没有；
4）y：分类型输出变量，表示去年是否出过事故，1表示出过，0没有；
logistic模型树是对树叶使用logistic回归函数的分类树，该算法可以处理二元类别和多元类别目标变量。其组合树结构和Logistic回归模型，每个叶子节点是一个Logistic回归模型，准确性比单独的决策树和Logistic回归方法要好。
相关推荐：
