Logistic Regression
探索用于二分类的逻辑回归基础知识。了解 Sigmoid 函数、概率评分，以及它与 YOLO26 的比较。
逻辑回归（Logistic Regression）是一种基础的统计学方法和机器学习算法，主要用于二分类任务。尽管其名称中包含“回归”二字，通常暗示预测连续值（如温度或股票价格），但逻辑回归旨在预测给定输入属于特定类别的概率。这使其成为处理二元结果问题的关键工具，例如确定电子邮件是否为“垃圾邮件”，或医疗肿瘤是“良性”还是“恶性”。它充当了传统统计学与现代监督学习之间的桥梁，提供了一种简洁且具备良好可解释性的平衡方案，常在实施神经网络等更复杂的模型之前用作基准。
Link to this section核心机制与概率#
与线性回归通过拟合直线来预测连续输出不同，逻辑回归通过向数据拟合一条“S”形曲线来进行预测。该曲线使用Sigmoid函数生成，这是一种将任何实数值映射到 0 和 1 之间数值的数学变换。该输出代表一个概率得分，表示实例属于正类的置信度。
在训练过程中，该算法学习最优的权重和偏置以最小化误差。这通常通过优化算法（如梯度下降）来实现，该算法迭代调整模型参数，以减少预测概率与实际类别标签之间的差异。其性能通常使用一种特定的损失函数（称为对数损失或二元交叉熵）进行评估。一旦模型输出概率，决策边界（通常设为 0.5）就会对输入进行分类：高于阈值的为正类，低于阈值的为负类。
Link to this section与相关术语的区别#
区分逻辑回归与相似概念非常重要，以免产生混淆：
- 线性回归 vs. 逻辑回归： 线性回归预测连续的数值输出（例如房价），而逻辑回归通过概率预测分类结果。
- 分类 vs. 回归： 在机器学习中，分类任务涉及预测离散标签，而回归任务预测连续量。尽管名称中有回归，但逻辑回归属于分类算法。
- 感知机： 简单的感知机使用阶跃函数直接输出二元 0 或 1，而逻辑回归使用平滑的Sigmoid函数输出概率，从而提供更细致的结果。
Link to this section实际应用#
得益于其高效性及结果的易解释性，逻辑回归在各行各业中仍被广泛使用。
- 医疗保健与疾病诊断： 医疗专业人员使用这些模型，根据年龄、体重指数（BMI）和血压等因素，预测患者患上特定疾病（如糖尿病或心脏病）的可能性。这有助于早期的医学图像分析和决策制定。
- 信用评分与金融： 银行部署逻辑回归来评估向客户发放贷款的风险。通过分析信用记录和收入等特征，模型可以预测借款人违约的概率，从而为金融安全实现预测建模自动化。
- 市场营销与流失预测： 公司通过分析客户行为来预测用户是否会订阅服务或停止使用产品（流失）。这些洞察有助于优化客户留存策略并有效定位营销活动。
Link to this section现代实现#
虽然在目标检测等复杂任务中首选YOLO26等深度学习模型，但逻辑回归通常是二分类图像网络中的最后一层。例如，卷积神经网络可以提取特征，而最后一层则作为逻辑回归分类器，用于判断图像中是否包含“猫”或“狗”。
Ultralytics Platform 等工具简化了利用这些底层原理训练复杂分类模型的工作流。不过，若要理解原始概念，简单的库就能很好地演示其机制。
这是一个使用 torch 定义单层逻辑回归模型结构的基础示例：
import torch
import torch.nn as nn
# Define a simple Logistic Regression model class
class LogisticRegression(nn.Module):
def __init__(self, input_dim):
super().__init__()
# A single linear layer maps input features to a single output
self.linear = nn.Linear(input_dim, 1)
def forward(self, x):
# The sigmoid function transforms the linear output to a probability (0 to 1)
return torch.sigmoid(self.linear(x))
# Example usage: Initialize model for 10 input features
model = LogisticRegression(input_dim=10)
print(model)Link to this section优势与局限性#
了解该算法的优缺点有助于你为任务选择正确的工具。
