什么时候使用逻辑回归代替线性回归？

我最近在研究回归模型，想知道在什么情况下应该使用逻辑回归代替线性回归。我知道线性回归适用于连续的因变量，而逻辑回归适用于离散的因变量。但是在实际应用中，在什么情况下应该选择使用逻辑回归来建模，而不是线性回归呢？是否存在一些特定的数据类型或问题类型，逻辑回归比线性回归更有效？希望有经验的专家能够解答一下这些问题。

提问时间：2023-06-08 22:03:13 编辑时间：2023-06-08 22:03:15 提问者： Night_Crawler
  • 冰凌梦境
    6

    当因变量是二元分类（只有两个取值）或多元分类问题时，应该使用逻辑回归模型代替线性回归。此外，当因变量的分布不满足正态分布或者存在离群值（outliers）时，也应该优先考虑使用逻辑回归。例如，在罕见疾病的研究中，目标可能是识别哪些因素可以预测患病风险，因此使用逻辑回归来判断患病或者不患病更加实用。而当目标是预测连续变量（如销售额）时，使用线性回归更加适合。总之，应根据具体问题的性质和数据的分布情况选择合适的回归模型。

    回答时间：2023-06-08 22:03:19
相关标签

逻辑回归 线性回归 分类问题 概率模型