線性迴歸與邏輯迴歸
在統計分析中，確定與研究有關的變量之間的關係是很重要的。有時這可能是分析本身的唯一目的。迴歸分析是用來確定關係是否存在並識別關係的有力工具。
迴歸分析最簡單的形式是線性迴歸，其中變量之間的關係是線性關係。在統計學上，它給出瞭解釋變量和響應變量之間的關係。例如，利用迴歸分析，我們可以根據從隨機抽樣中收集的數據建立商品價格與消費之間的關係。迴歸分析將產生數據集的迴歸函數，這是一個最適合可用數據的數學模型。這很容易用散點圖來表示。圖形迴歸相當於找到給定數據集的最佳擬合曲線。曲線的函數是迴歸函數。利用這個數學模型，可以預測一種商品在給定價格下的使用情況。
因此，迴歸分析在預測預報中得到了廣泛的應用。它還用於建立實驗數據之間的關係，在物理、化學領域，以及許多自然科學和工程學科中。如果關係或迴歸函數是一個線性函數，那麼這個過程稱為線性迴歸。在散點圖中，可以用直線表示。如果函數不是參數的線性組合，則迴歸是非線性的。
Logistic迴歸可與多元迴歸相比較，它創建了一個模型來解釋多個預測因子對響應變量的影響。然而，在logistic迴歸中，最終結果變量應該是分類的（通常是分開的；即一對可達到的結果，如死亡或存活，儘管特殊技術可以使更多分類信息建模）。一個連續的結果變量可以被轉換成一個分類變量，用於邏輯迴歸；然而，用這種方式摺疊連續變量通常是不可取的，因為它降低了準確性。
與線性迴歸不同的是，對於平均值，邏輯迴歸中的預測變量不必被強制為線性連接的、一般分佈的或在每個聚類中具有相等的方差。結果和變量之間的關係可能不是一個線性關係。
邏輯迴歸和線性迴歸有什麼區別？
•在線性迴歸中，假設解釋變量與響應變量之間存在線性關係，並通過分析找到滿足模型的參數，給出精確的關係。
•對定量變量進行線性迴歸，所得函數為定量函數。
