当前位置：首页 > article >正文

【漫话机器学习系列】113.逻辑回归（Logistic Regression） VS 线性回归（Linear Regression）

article 2026/3/27 23:42:02

逻辑回归 vs 线性回归：详解对比

在机器学习和统计学中，逻辑回归（Logistic Regression） 和 线性回归（Linear Regression） 都是非常常见的模型。尽管它们的数学表达式有一定的相似性，但它们的应用场景和目标却完全不同。本篇文章将详细对比两者的区别，并深入解析逻辑回归的数学原理。

1. 线性回归的基本概念

1.1 线性回归的数学表达

线性回归是一种监督学习算法，主要用于回归任务，即预测一个连续值。它的数学表达如下：

$y = b_0 + b_1 x_1 + b_2 x_2 + \dots + b_k x_k + \epsilon$

其中：

y 是目标变量（预测值）。
$x_1, x_2, ..., x_k$ 是输入特征（自变量）。
$b_0$ 是截距（bias）。
$b_1, b_2, ..., b_k$ 是回归系数（权重）。
ϵ 是误差项。

1.2 线性回归的应用场景

预测房价（根据面积、位置、房龄等因素）。
预测股票价格（根据市场数据）。
预测员工工资（根据经验、教育背景等）。

1.3 线性回归的目标

线性回归的目标是找到最优参数 $b_0, b_1, ..., b_k$ ，使得预测值 $\hat{y}$ 尽可能接近真实值 y。最常用的方法是最小二乘法（OLS, Ordinary Least Squares），即最小化均方误差（MSE）：

$MSE = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y_i})^2$

2. 逻辑回归的基本概念

逻辑回归主要用于分类任务，特别是二分类问题。它的核心思想是使用Sigmoid 函数（S 形函数）将线性回归的结果映射到 (0,1) 之间，进而输出概率值。

2.1 逻辑回归的数学表达

逻辑回归的公式如下：

$P(y=1 | x) = \frac{1}{1 + e^{-(b_0 + b_1 x_1 + ... + b_k x_k)}}$

其中：

P(y=1 | x)代表输入x 属于类别 y=1 的概率。
e 是自然对数的底数（约 2.718）。
$b_0, b_1, ..., b_k$ 是模型参数。

这就是 Sigmoid 函数：

$\sigma(z) = \frac{1}{1 + e^{-z}}$

Sigmoid 函数的作用是将输入值压缩到 (0,1) 之间，使其可以解释为概率。如下图所示，Sigmoid 函数的曲线呈现 S 形：

当：

z → +∞，σ(z) → 1（高概率）。
z → −∞，σ(z) → 0（低概率）。
z = 0z = 0，σ(0) = 0.5。

2.2 逻辑回归的目标

逻辑回归的目标是最大化似然函数（Maximum Likelihood Estimation, MLE），即找到最优的参数 $b_0, b_1, ..., b_k$ ，使得训练数据的分类概率最大。

其损失函数为交叉熵损失（Cross Entropy Loss）：

$L = - \sum_{i=1}^{n} \left[ y_i \log P(y_i | x_i) + (1 - y_i) \log (1 - P(y_i | x_i)) \right]$

这个损失函数衡量了模型预测的概率与真实标签之间的差距。

3. 逻辑回归 vs 线性回归

下表总结了两者的主要区别：

对比项	线性回归（Linear Regression）	逻辑回归（Logistic Regression）
目标任务	回归（Regression）	分类（Classification）
输出值	任何实数	(0,1)(0,1)(0,1) 概率
函数形式	线性函数 $y = b_0 + b_1 x$	Sigmoid 函数 $P(y=1) = \frac{1}{1 + e^{-z}}$
损失函数	均方误差（MSE）	交叉熵损失（Cross Entropy）
优化方法	最小二乘法（OLS）或梯度下降	最大似然估计（MLE）+梯度下降
应用场景	预测房价、股票、销量等	预测疾病、垃圾邮件、信用违约等
分类能力	不能分类	可以用于二分类问题

4. 为什么不能用线性回归做分类？

4.1 线性回归的输出不受限制

假设我们使用线性回归来做二分类：

$y = b_0 + b_1 x_1 + ... + b_k x_k$

然后我们使用一个阈值来分类，例如：

y ≥ 0.5y 则预测为 1。
y < 0.5y 则预测为 0。

但是，线性回归的输出范围是 (-∞, +∞)，没有界限，而概率应该在 (0,1) 之间。

4.2 线性回归对异常值敏感

如果数据集中有一个异常值，比如 x 远大于其他样本，线性回归可能会预测 y 远大于 1，这与概率的定义不符。

4.3 线性回归无法拟合 S 形决策边界

许多分类问题的数据分布是非线性的，而逻辑回归的 Sigmoid 函数可以拟合S 形决策边界，但线性回归不能。

5. Python 代码示例

5.1 线性回归示例

from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression
import numpy as np# 生成回归数据
X, y = make_regression(n_samples=100, n_features=1, noise=10, random_state=42)# 训练线性回归模型
model = LinearRegression()
model.fit(X, y)# 预测
y_pred = model.predict(X)

5.2 逻辑回归示例

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_classification# 生成分类数据
X, y = make_classification(n_samples=100, n_features=2, random_state=42)# 训练逻辑回归模型
model = LogisticRegression()
model.fit(X, y)# 预测
y_pred = model.predict(X)

6. 结论

线性回归用于回归问题，逻辑回归用于分类问题。
逻辑回归通过Sigmoid 函数将输出映射到 (0,1) 之间，使其可以解释为概率。
逻辑回归使用交叉熵损失进行优化，而线性回归使用最小二乘法。
在分类任务中，不能使用线性回归，否则会导致结果不可解释。

逻辑回归虽然简单，但在分类问题中仍然是一个强大的基线模型，并且具有很好的可解释性。