什么时候使用逻辑而不是线性回归？

Question

在癌症的安德鲁斯逻辑回归实例中，我可以绘制水平线y = .5，（显然通过y = .5），如果任何点在该线上方，则为10，y = .5 =＆gt; + ve，否则-ve。那么为什么我需要逻辑回归。我只是想了解使用逻辑回归的最佳案例解释？

正如您在包含的图像中看到的那样，水平线清楚地将这两个类别分类，为什么然后去寻找后勤？

Answer 1

简而言之，当您需要classification，即预测其中一个预定义（名义）类时，请使用逻辑回归;当你需要regression，即预测定量值时，使用线性回归。

线性回归也假设输入（特征）和结果之间存在线性相关性，而逻辑回归则假设结果以二项式分布。逻辑回归的响应可以解释为分类器置信度。

在stats.stackexchange或differencebetween处查看类似问题的答案。

Answer 2

我认为，你在问题中混淆独立（已知）和依赖（你试图预测的）变量。

  

我可以绘制一条水平线y = .5，（显然可以通过   y = .5），如果任何点在该线之上，则为10 y = .5 =＆gt; + ve，否则-ve。

您的水平线为0.5，预先假定您知道 y。但实际上这就是你想要根据已知的x（你的病例中的肿瘤大小）预测。

这是逻辑。基于＆＃34; train＆＃34;您知道y的示例，您正在构建模型h(x)。然后你说：如果h（x）> 0.5（或其他阈值），那么y = 1，否则y = 0。现在，您将模型应用于＆＃34;测试＆＃34;设置，只知道 x并且预测 y。

考虑到这一点，你的问题是：h(x)看起来像直线还是逻辑函数？您可以不绘制y = 0.5行，因为您不知道y。