AITerms 登入
機器學習統計方法模型訓練

邏輯迴歸(Logistic Regression)是什麼?

邏輯迴歸是一種廣義線性模型,用於預測二元或多元分類結果的機率。它使用 Sigmoid 函數將線性組合轉換為機率值,並透過最大似然估計來訓練模型。

完整定義

邏輯迴歸是一種廣義線性模型,主要用於解決分類問題,尤其是二元分類問題。它預測事件發生的機率,而非直接預測類別。邏輯迴歸使用 Sigmoid 函數(或 Logistic 函數)將線性組合的輸入轉換為介於 0 和 1 之間的機率值,並透過最大似然估計等方法來訓練模型,找到最佳的模型參數。

白話說明

你有沒有想過,模型不一定只回答數字,也可以回答「會不會」?

你可以把邏輯迴歸想成,先算出分數,再把分數壓成機率。

它其實就是用來做分類的經典方法。

當你想知道一筆資料屬於哪一類時,它常是很實用的起點。

記住這句

先算分數,再把分數變成機率。

比喻:邏輯迴歸就像一個「門衛」-- 它會根據你的各種條件(例如年齡、收入)計算出一個「進入機率」,然後決定你是否能通過這扇門(例如是否會購買某產品、是否是垃圾郵件),結果總是介於 0 到 1 之間。

容易混淆

邏輯迴歸 vs 線性迴歸

線性迴歸預測連續值,邏輯迴歸預測分類機率。

一個輸出多少,一個輸出屬不屬於。

邏輯迴歸 vs 決策樹

邏輯迴歸是線性邊界,決策樹是分裂規則。

一個靠公式,一個靠樹狀判斷。

最關鍵的區別: 一個做連續預測,一個做分類預測。

實際案例

信用違約預測

根據收入、負債比和還款紀錄,模型輸出會不會違約的機率。

垃圾郵件判斷

模型不只說是或不是,還能給出垃圾郵件的可能性,方便後續設門檻。

演算法與應用

它先算出線性組合,再透過 S 型函數把分數壓成 0 到 1 的機率。

訓練時通常搭配對數損失,讓模型在分類邊界上學得更穩。

因為結果好解釋,常被當成分類問題的基線模型。

情境判斷

Q1(直覺題): 你要判斷客戶會不會流失,輸出最適合長什麼樣子?

輸出機率最合適,這正是邏輯迴歸擅長的型態。

Q2(判斷題): 邏輯迴歸名字裡有迴歸,就一定拿來做數值預測嗎?

不是,它雖然名字像回歸,但實際上多用在分類。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 2 題把邏輯迴歸列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本