逻辑回归

1.用自己的话描述一下，什么是逻辑回归，与线性回归对比，有什么不同？

　　简单来说， 逻辑回归是一种用于解决二分类（0 or 1）问题的机器学习方法，用于估计某种事物的可能性。比如某用户购买某商品的可能性，某病人患有某种疾病的可能性，以及某广告被用户点击的可能性等。 注意，这里用的是“可能性”，而非数学上的“概率”，logisitc回归的结果并非数学定义中的概率值，不可以直接当做概率值来用。该结果往往用于和其他特征值加权求和，而非直接相乘。

　　逻辑回归解决的是分类问题，而不是线性回归问题

2.自述一下什么是过拟合和欠拟合？

　　欠拟合：样本不够或者算法不精确，测试样本特性没有学到，不具泛化性，拿到新样本后没有办法去准确的判断

　　过拟合：太过贴近于训练数据的特征了，在训练集上表现非常优秀，近乎完美的预测/区分了所有的数据，但是在新的测试集上却表现平平。

3.思考一下逻辑回归的应用场景有哪些？

　　可以用来分析出人们的购买需求，比如：买车。有些人的购买需求是SUV，而有些人的购买需求是小轿车。这些可以利用生活中的各种数据用逻辑回归分析出来，从而定向投放广告。