来到你的第一个问题：

是的，你可以，但不建议使用 LS 作为分类任务的成本函数，因为优化问题变得非凸！更重要的是，由于您的逻辑回归模型将是 sigmoid（非线性函数），这意味着您的成本函数将有很多局部最优值！（将成本函数的表面想象成喜马拉雅山谷！），所以，当您将使用梯度下降（一种迭代方法）来最小化您的成本函数时，GD 将停留在局部最小值而不是全局最小值中的某个位置，因此您将无法根据数据学习模型的最佳模型参数！所以， 更多信息在这里

您可以在ISLR 第 129 页找到更多关于它的理论理解。 4.2 为什么不是线性回归？

1) 答案是肯定的。当我们处理 k 个类别时，您需要 (k-1) 个虚拟变量。逻辑是相同的，因为我们在假设 X 和 Y（变量）给定的情况下根据参数 (beta) 区分成本函数。

2) 同样，没有区别。

1. 最小二乘在技术上可以用于分类输出，但绝对不应该。最小二乘法（通常是线性回归）用于连续输出，并对使用分类输出时失败的数据做出若干假设。主要问题之一是您的预测值可能会超出 0-1 范围，但如果您正在查看二进制分类问题，它们应该在该范围内。相反，您应该使用逻辑回归之类的东西，它使用 sigmoid 使分数在 0 和 1 之间。这是对此的可视化。

2. 只要你有一个连续的输出，你可以在 one-hot-encoding 分类数据时使用 LS。