使用逻辑回归或线性回归取决于​​因变量 (DV)。根据您的问题，我相信您的 DV 将是不孕症（是/否），因此您应该使用逻辑回归，因为线性回归适用于连续变量（例如：考试分数），而逻辑回归适用于分类变量（例如 L 是/否)

嗯......首先有几点：逻辑回归用于分类，线性回归用于回归任务。它们在概念上是不同的，所以要小心你想做的事情。

分类变量可以使用encoding进行矢量化。如果有很多类别，您可以在将数据提供给算法之前应用降维。

该算法是根据模型选择过程选择的，因此，通常，您事先不知道哪个更好。

选择学习算法取决于问题类型：

• 线性回归通常用于回归问题（即在连续输出中预测结果）
• 逻辑回归通常用于分类问题（即在离散输出中预测结果）

在我们的场景中，我们想要预测具有某些原因（特征）的患者是否极有可能被诊断为不孕症（“是”），经常被诊断为不孕症（“经常”），有时被诊断为不孕症（“有时” )，或极有可能未被诊断为不孕症（“否”）。因此，因此，我们可以有四个离散输出之一：“是”、“经常”、“有时”、“否”。也就是说，我们有一个分类问题，因此我们应该选择逻辑回归而不是线性回归。

现在，逻辑回归进行二元分类（两个类别），我们有四个类别。尽管如此，我们仍然可以通过学习四种不同的模型来使用逻辑回归：

1. 预测“是”或“其余”（“其余”包括“经常”、“有时”、“否”）
2. 预测“经常”或“其余”（“其余”包括“是”、“有时”、“否”）
3. 预测“有时”或“其余”
4. 预测“否”或“其余”

对于给定的患者，然后评估所有四个模型。理想情况下，三个模型将预测“其余”，一个将预测患者的实际类别。这种策略称为one-vs.-rest 转换。还有一对一的转换。

或者，我们可以使用一种本机支持多类分类且不需要转换的学习算法：决策树、支持向量机、神经网络、多项逻辑回归等。