线性回归与。 逻辑回归：线性回归和逻辑回归之间的区别

如果没有两种最简单的机器学习算法，机器学习的世界将是不完整的。 是的，线性回归和逻辑回归都是您可以实现的最直接的机器学习算法。 在讨论线性回归和逻辑回归之间的任何区别之前，我们必须首先了解这两种算法的基础。

首先，这两种算法本质上都是监督学习。 这意味着，您将提供给这两种算法的数据应该被很好地标记。 另一个需要注意的关键是用例。 马上，这两种算法之间的一个明显区别是两者的用例。 每当我们想要执行回归时，都会使用线性回归。 这意味着，每当我们想要预测连续数字时，我们都会使用线性回归，例如特定区域的房价。

但是，逻辑回归的使用是在分类问题中完成的。 这意味着，如果我们想预测特定房子是昂贵还是便宜（而不是价格），我们使用逻辑回归算法。 是的，即使逻辑回归的名称中有回归这个词，它也用于分类。

您将在下面找到更多这样令人兴奋的微妙之处。 但在正面比较线性回归与逻辑回归之前，让我们首先了解有关这些算法的更多信息。

线性回归

线性回归是最容易理解和部署的机器学习算法。 它是一种监督学习算法，因此如果我们想要预测连续值（或执行回归），我们必须使用标记良好的数据集为该算法提供服务。 这种机器学习算法是最直接的，因为它具有线性特性。 为了成功预测未来值，线性回归尝试通过输入算法的数据形成一条直线。

因此，每当将任何信息输入线性回归算法时，它都会获取数据并获取直线方程，随机选择斜率和截距，直到找到最佳拟合线。 如果我们输入该算法的数据仅包含一个自变量，则称为简单线性回归。

另一方面，如果数据具有多个自变量，则回归变为多元线性回归。 线性回归的数学形式很简单，如下所示。

y= a0+a1x+ c

这里，y 是因变量，a0 和 a1 是该算法任务要找到的系数，x 是因变量，c 是这条直线的截距值。

逻辑回归

毋庸置疑，逻辑回归是监督学习算法下最直接但功能最强大的分类机器学习算法之一。 该算法可用于回归问题，但主要用于解决分类问题。 我们从该算法获得的输出始终介于 0 和 1 之间，因此使用阈值分类值将实例分类为类变得毫不费力。

名称中的逻辑一词是指激活函数，在此回归中使用。 在这种情况下，激活函数或逻辑函数实际上只是 sigmoid 函数。 这是这个 sigmoid 函数的特性，它使逻辑回归的值始终在零和一之间。 sigmoid 函数看起来像这样：

这里，y 是通过 sigmoid 函数的输出，x 是自变量。 在逻辑回归的情况下，变量 x 实际上是整个线性回归方程。 因此，可以开发逻辑回归方程，如下所示：

这里，变量的含义与逻辑回归中的类似，x是自变量，y是因变量，b0、b1、b2等是该算法确定的系数。

线性回归和逻辑回归之间的区别

下面列出了线性回归与逻辑回归的综合比较：

想了解更多？

如果您有兴趣了解有关机器学习的更多信息，请查看 IIIT-B 和 upGrad 的机器学习和人工智能 PG 文凭，该文凭专为工作专业人士设计，提供 450 多个小时的严格培训、30 多个案例研究和作业、IIIT- B 校友身份、5 个以上实用的实践顶点项目和顶级公司的工作协助。