这只是建模的问题。

注意 $w \cdot x = \sum_{i=1}^n w_i x_i$.

例如在线性回归中（暂时忽略截距项，我们总是可以通过包括 $1$ 作为特征），我们尝试拟合 $y(x) = \sum_{i=1}^n w_ix_i$，但是，当因变量是 $y$ 可以超越价值观 $0$ 和 $1$.

因此，我们考虑另一个模型 $F(p) = \sum_{i=1}^n w_ix_i$在哪里$F(p)$可以取任何实际值，并且$F$是一个函数，它从$(0,1)$并能够将其映射到$\mathbb{R}$. $F(p)$可以选择为$\log \left( \frac{p}{1-p} \right)$，这是一个增函数，它映射$(0,1)$到$\mathbb{R}$.

逻辑回归是一种用于分析数据集的统计方法，其中有一个或多个决定结果的自变量。结果是用一个二分变量来衡量的，其中只有两种可能的结果。您可以像决策树中的熵一样思考。如果情况的概率是二元的，则与结果没有关系。

您关于理论的帖子中包含的功能。在应用程序中，您将使用这个术语。

$w \cdot x = \sum_{i=1}^n w_i x_i$或者$F(p) = \sum_{i=1}^n w_ix_i$

它会给你一个像高斯曲线一半的曲线形状