正如您所提到的，线性回归的输出是一个实数值，而逻辑回归代表类（分类）。他们的主要区别是这个。

线性回归的损失函数是凸的，这意味着您始终可以使用常规优化找到最佳点，而如果将其用于逻辑回归，您可能会陷入非最佳的非全局最小值。因此，人们取该损失的对数并将其称为交叉熵。对于简单的逻辑回归任务，它是凸的。

另一个需要注意的区别是通常应用于不同任务的非线性。对于逻辑回归，人们习惯上使用非线性部分，如线性部分Tanh或Sigmoid在线性部分之后，权重和输入的内积，用于指定与类的相似性1或0典型的二元分类。对于线性回归，人们通常使用Linear激活函数。这里有一点。使用线性激活的想法不是因为需要使用线性函数。使用它是因为它的输出不受限制。因此，您可以使用其他one-to-one受限制和不受限制的功能。考虑$y = x^3$举个例子。

逻辑回归用于分类。

线性回归用于预测。

给定一组特征，逻辑回归使用 sigmoid 函数来查找它属于 0 类还是 1 类。示例：可以使用逻辑回归预测事件的成功或失败。

在线性回归中，给定一组特征，用于预测输出值。可以使用线性回归找到公司的销售额。

即使regression在逻辑回归中有工作，它也是一种分类算法。