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
不一定,它先輸出機率,再由門檻決定最後分類。
如果邊界很複雜,單靠它通常不夠,可能要更強的模型。
因為它快、穩、可解釋,在很多場景裡是很好的基線。
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
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本