6.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？

　　逻辑回归是基于线性回归的一种分类模型，逻辑回归虽说是回归但它解决的是分类问题，在实际问题中，所研究的变量往往不全是区间变量而是顺序变量或属性变量的时候，比如对于二项分布问题，需采用逻辑回归模型解决。

　　线性回归解决的就是回归问题，所谓线性回归模型就是指因变量和自变量之间的关系是直线型的。而之于逻辑回归，线性回归可以处理多个变量之间相互关系。总之来说，对连续型变量做预测叫回归（线性回归），对离散型变量做预测叫分类（逻辑回归）。

 

2.自述一下什么是过拟合和欠拟合？

　　过拟合就是指把学习进行的太彻底，把样本数据的所有特征几乎都习得了，于是机器学到了过多的局部特征。简单理解就是虽然训练样本时的得到的输出和期望输出基本一致，但是样本输出和测试样本的期望输出相差却很大 。

　　欠拟合一般就是模型比较简单，不能准确描述数据特征。偏差很高，训练集和验证集的准确率都很低，所以也导致在对新样本进行输出后没有办法去准确的判断。

直观图例说明：

 

 

 

 

 3.思考一下逻辑回归的应用场景有哪些？

　　前面我理解的逻辑回归由于是分类模型，因此可用于分类场景， 尤其是因变量是二分类， 比如垃圾邮件判断（是/否垃圾邮件），是否患某种疾病（是/否）, 广告是否点击等场景。