以經典的**房價為例，
假設樣本為（x,y
ix, y_i
x,yi
），其中x是多維變數（x=(
x1,x
2...
xn)x = (x_1, x_2...x_n)
x=(x1
,x2
...x
n)），屬性包括房子大小，使用年限等，y是對應該樣本的房價。
那麼我們就可以得到乙個**房價的假設模型，
h θ(
x)=θ
txh_\theta(x) = \theta^t x
hθ(x)
=θtx
只要我們求出了引數θ
\theta
θ，就完成了模型的求解，可以用求得的模型來**新的樣本。
note:這裡可以看出，這裡求出的模型是乙個連續函式，即對應樣本的輸入，輸出會有無限可能（可能為負數，可能為0，也可能為正數，既可能為整數，也可能為浮點數）
同樣以經典的**房價為例，
假設樣本為（x,y
ix, y_i
x,yi
），其中x是多維變數（x=(
x1,x
2...
xn)x = (x_1, x_2...x_n)
x=(x1
,x2
...x
n)），屬性包括房子大小，使用年限等，不同的是，這裡的y換成了房價是否超過2萬美元，超過為1，不超過則為0。
於是線性回歸中的假設模型不能適用到這裡了，需要進行適當的修改。
h θ(
x)=s
igmo
id(θ
tx)h_\theta(x) = sigmoid(\theta^t x)
hθ(x)
=sig
moid
(θtx
)這裡使用了sigmoid函式對原模型進行修改（在一些教程裡，也有把sigmoid函式叫做邏輯函式的說法），把原模型的輸出規範到了（0， 1）之間。
note: 這裡可以看出，在使用邏輯回歸的時候，所**樣本值的輸出範圍應該是有限的（如0， 1）離散值
吳恩達的《machine learning》中談到了這點，線性回歸模型的表達能力有限，如果直接使用線性回歸，並且使用線性回歸的平方和作為成本函式，那麼成本函式會變成如下（「non-convex」）：
有太多的區域性最優解，如果使用邏輯回歸並且使用對數損失函式作為成本函式，成本函式才會易於求解（「convex」）：
線性回歸和邏輯回歸不同的地方有很多，但在我看在，最基本的不同是模型的表示不同，因此導致了所解決問題的能力不同，進而導致了許多的差異。
對這些差異總結如下：
對線性回歸、邏輯回歸、各種回歸的概念學習
機器學習演算法總結–線性回歸和邏輯回歸
線性回歸與邏輯回歸
stackoverflow, what is the difference between linear regression and logistic regression?
線性回歸與邏輯回歸
cost functionj 12m i 1m h x i y i hypothesish x tx 梯度下降求解 為了最小化j j j 1m i 1m h x i y i x i j 每一次迭代更新 j j 1m i 1m h x i y i x i j 正規方程求解 最小二乘法 xtx 1x t...
邏輯回歸與線性回歸的區別與聯絡
邏輯回歸與線性回歸都屬於廣義線性回歸模型,其區別與聯絡從以下幾個方面比較 分類與回歸 回歸模型就是 乙個連續變數 如降水量，等 在分類問題中，屬於某類的概率，可以看成回歸問題。這可以說是使用回歸演算法的分類方法。輸出 直接使用線性回歸的輸出作為概率是有問題的，因為其值有可能小於0或者大於1,這是不符...
邏輯回歸與線性回歸的區別與聯絡
邏輯回歸與線性回歸都屬於廣義線性回歸模型,其區別與聯絡從以下幾個方面比較 分類與回歸 回歸模型就是 乙個連續變數 如降水量，等 在分類問題中，屬於某類的概率，可以看成回歸問題。這可以說是使用回歸演算法的分類方法。輸出 直接使用線性回歸的輸出作為概率是有問題的，因為其值有可能小於0或者大於1,這是不符...