实际上存在很大的实质性差异，这与您提到的技术差异有关。逻辑回归将伯努利分布的均值函数建模为线性方程（均值等于伯努利事件的概率p）。通过将 logit 链接用作均值 ( p ) 的函数，可以分析得出几率的对数 (log-odds) 并将其用作所谓的广义线性模型的响应。这个 GLM 的参数估计是一个统计过程，它产生模型参数的 p 值和置信区间。除了预测之外，这还允许您在因果推理中解释模型。这是线性感知器无法实现的。

感知器是逻辑回归的逆向工程过程：它不采用 y 的 logit，而是采用wx的逆 logit（逻辑）函数，并且不对模型及其参数估计使用概率假设。在线培训将为您提供完全相同的模型权重/参数估计值，但由于缺少 p 值、置信区间以及潜在的概率模型，您将无法在因果推断中解释它们。

长话短说，逻辑回归是可以执行预测和推理的 GLM，而线性感知器只能实现预测（在这种情况下，它的执行与逻辑回归相同）。两者的区别也是统计建模和机器学习的根本区别。

我相信您缺少的一个区别是逻辑回归返回有原则的分类概率，而感知器则使用硬边界进行分类。

这在关于多项逻辑回归的 Wiki 文章中有所提及。

你已经提到了重要的区别。所以结果应该不会有太大差异。