一、逻辑回归的作用
logistic回归又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。以胃癌病情分析为例，选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群必定具有不同的体征与生活方式等。因此因变量（Y）就为是否胃癌，值为“是”或“否”，自变量（X）就可以包括很多了，如年龄、性别、饮食习惯、幽门螺杆菌感染等。自变量既可以是连续的，也可以是分类的。然后通过logistic回归分析，可以得到自变量的权重，从而可以大致了解到底哪些因素是胃癌的危险因素。同时根据该权值可以根据危险因素预测一个人患癌症的可能性。
- 用于分类：适合做很多分类算法的基础组件。
- 用于预测：预测事件发生的概率（输出）。
- 用于分析：单一因素对某一个事件发生的影响因素分析（特征参数值）。
二、何时使用逻辑回归
Logistic 回归通过线性边界将你的输入分成两个「区域」，每个类别划分一个区域。因此，你的数据应当是线性可分的，如下图所示的数据点：
换句话说：当 Y 变量只有两个值时（例如，当你面临分类问题时），您应该考虑使用逻辑回归。注意，你也可以将 Logistic 回归用于多类别分类。
三、逻辑回归的优缺点
优点：
- 形式简单，模型的可解释性非常好。从特征的权重可以看到不同的特征对最后结果的影响，某个特征的权重值比较高，那么这个特征最后对结果的影响会比较大。
- 模型效果不错。在工程上是可以接受的（作为baseline)，如果特征工程做的好，效果不会太差，并且特征工程可以大家并行开发，大大加快开发的速度。
- 训练速度较快。分类的时候，计算量仅仅只和特征的数目相关。并且逻辑回归的分布式优化sgd发展比较成熟，训练的速度可以通过堆机器进一步提高，这样我们可以在短时间内迭代好几个版本的模型。
- 资源占用小,尤其是内存。因为只需要存储各个维度的特征值，。
- 方便输出结果调整。逻辑回归可以很方便的得到最后的分类结果，因为输出的是每个样本的概率分数，我们可以很容易的对这些概率分数进行cutoff，也就是划分阈值(大于某个阈值的是一类，小于某个阈值的是一类)。
缺点:
- 准确率并不是很高。因为形式非常的简单(非常类似线性模型)，很难去拟合数据的真实分布。
- 很难处理数据不平衡的问题。举个例子：如果我们对于一个正负样本非常不平衡的问题比如正负样本比 10000:1.我们把所有样本都预测为正也能使损失函数的值比较小。但是作为一个分类器，它对正负样本的区分能力不会很好。
- 处理非线性数据较麻烦。逻辑回归在不引入其他方法的情况下，只能处理线性可分的数据，或者进一步说，处理二分类的问题 。
- 逻辑回归本身无法筛选特征。有时候，我们会用gbdt来筛选特征，然后再上逻辑回归。
四：逻辑回归简述
当因变量为二分法（二进制）时，逻辑回归是进行回归分析的合适方法。像所有回归分析一样，逻辑回归是一种预测分析，当然还包括其他作用，但是目前用的最多的应该是预测分析。Logistic回归用于描述数据并解释一个因变量二进制变量和一个或多个名义，有序，区间或比率级别的自变量之间的关系。下面这样子图就很生动形象，x1、x2、x3为输入值，θ1、θ2、θ3为权重，happy与sad为输出值
五：逻辑回归的类型
1.二元Logistic回归
类别响应只有两个2种可能的结果。示例：是否为垃圾邮件
2.多项逻辑回归
三个或更多类别，无需订购。示例：预测哪种食物更受欢迎（蔬菜，非蔬菜，素食主义者）
3.有序逻辑回归
带有订购的三个或更多类别。示例：电影分级从1到5
六:逻辑回归数学推导以及操作步骤
我们分析逻辑回归还是从以下三个步骤着手操作：
- 寻找Hypothesis（假设）函数，讲的简单点，就是构建逻辑回归；
- 构造Loss Function（损失函数）；
- 求得Loss Function最小值，并得到回归参数。
有兴趣的可以参考https://blog.csdn.net/ligang_csdn/article/details/53838743（理论推导）