线性回归用于预测连续变量。

逻辑回归用于预测只有有限值的变量。

让我引用一个很好的例子，它可以帮助你区分两者：

例如，如果 X 包含以平方英尺为单位的房屋面积，并且 Y 包含这些房屋的相应售价，您可以使用线性回归来预测售价作为房屋大小的函数。虽然可能的销售价格实际上可能并不存在，但有很多可能的值，因此需要选择线性回归模型。

相反，如果您想根据大小预测一栋房子的售价是否会超过 20 万，您可以使用逻辑回归。可能的输出要么是，房子的售价将超过 20 万美元，要么是不，房子不会。

我的两分钱...

不是100%准确，但可以给你一个粗略的想法......

线性回归对问题进行线性化，其中 $y = f(x)$， 和 $x$ 和 $y$ 是连续变量。

现在想象一下，你想预测一种布尔行为（是/否）基于 $x$价值。例如，根据你的薪水，你快乐与否。

你可以说快乐 = 1 而不快乐 = 0。你可以用所有对（薪水，快乐）（垂直轴上的快乐）制作散点图。

您可以尝试划出一条线将快乐的人和不快乐的人分开，但您很快就会发现效果不佳（中间的值是什么等）。

一个更好的主意是绘制一种 s 曲线，它会尽可能地通过你所拥有的点。

这就是后勤回归的结果。它基本上通过变换$y$ 值：这是 Logit 函数。

然后，如果预测的 logit 高于阈值，我们就说我们预测“真”。这个阈值通常对应于 0.5，这是曲线的拐点（某些工具只允许使用 0.5）。这个阈值实际上就是概率。

当我们有多个是/否的可能性时，一种解决方案是对所有可能性进行逻辑回归（例如，如果你有 A、B、C，那将是 A/不是 A、B/不是 B、C/不是 C ) 并采取给你最高概率的可能性。这被称为“一对多”的方法。