1.逻辑回归的概念
逻辑回归又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。逻辑回归从本质来说属于二分类问题。 二分类问题是指预测的y值只有两个取值（0或1），二分类问题可以扩展到多分类问题。例如：我们要做一个垃圾邮件过滤系统，x是邮件的特征，预测的y值就是邮件的类别，是垃圾邮件还是正常邮件。对于类别我们通常称为正类（positive class）和负类（negative class），垃圾邮件的例子中，正类就是正常邮件，负类就是垃圾邮件。
2.逻辑回归思想
通过拟合一个逻辑函数/假设函数（logic function/hypothesis function）来预测一个事件发生的概率，既然预测的是概率值，那么输出结果必须在（0–1）之间。一般线性回归的结果（即y=h(Θ,x)的结果）是连续值，取值范围也是不确定的。我们需要找到一个数学公式，将连续值转换成（0–1）之间的值。逻辑回归使用sigmoid函数将预测值映射为(0, 1)上的概率值，帮助判断结果。
3.逻辑回归的优点和缺点
（1）优点
1）预测结果是介于0和1之间的概率； 2）可以适用于连续性和类别性自变量； 3）容易使用和解释。
（2）缺点
1）对模型中自变量多重共线性较为敏感，例如两个高度相关自变量同时放入模型，可能导致较弱的一个自变量回归符号不符合预期，符号被扭转。需要利用因子分析或者变量聚类分析等手段来选择代表性的自变量，以减少候选变量之间的相关性； 2）预测结果呈“S”型，因此从log(odds)向概率转化的过程是非线性的，在两端随着log(odds)值的变化，概率变化很小，边际值太小，slope太小，而中间概率的变化很大，很敏感。 导致很多区间的变量变化对目标概率的影响没有区分度，无法确定阀值。
