我们先介绍一下逻辑回归的一些基础背景。

逻辑回归，虽然名字叫“回归”，但是它并不是用来回归的。什么是回归？我们之前有介绍过，回归问题解决的是因变量（即Y）是连续值的情况。

而逻辑回归是解决Y是离散变量的问题，即分类。

通常而言，逻辑回归主要解决的是二分类的问题，即分类的结果只有两个类别。比如[男，女]、[有钱，没钱]、[感染病毒，没感染病毒]、[垃圾邮件，不是垃圾邮件]……等等。

从上面的例子中，我们其实可以想象出，其实逻辑回归的应用场景是比较多的。比如基于邮件的特征，去判断一封邮件是否是垃圾邮件基于用户行为，判断用户的性别等。

上面我们提到了逻辑回归其实属于线性分类算法中的一种。

关于线性分类，主要有以下分类：

其中逻辑回归算法，属于判别式的线性分类模型——就是直接根据数据进行参数估计的模型，不需要使用贝叶斯公式。

而关于生成式的线性分类模型（主要就是朴素贝叶斯），我们后续专门进行分享。

逻辑回归，虽然是一种分类算法，但确实和“回归”有一些关联。如果用一个公式表达：

逻辑回归=线性回归+sigmoid函数

对，这里的关键，就是sigmoid函数。这个函数就是我们之前讲回归和分类时候的激活函数。激活函数是为了将线性回归的连续性结果映射到离散值上，这样就是分类问题了。

至于逻辑回归算法的具体内容，我们看下面展开叙述。