预计整个模块学习时长： 35 分钟
本模块介绍逻辑回归的相关概念。
学习目标：
- 找出执行逻辑回归的典型场景。
- 说明逻辑回归模型如何使用 S 型（Sigmoid）函数 计算概率。
- 比较线性回归和逻辑回归。
- 说明为何逻辑回归使用对数损失（Log Loss）而非平方损失。
- 说明训练逻辑回归模型时，正则化（Regularization）的重要性。
先修要求：
本模块假设你已经熟悉以下模块中介绍的概念：
引言#
在「线性回归」模块中，我们学习了如何构建模型来预测一个连续数值，例如汽车的燃油效率。
但如果我们要回答的问题不再是数值，而是「今天会下雨吗？」、「这封邮件是否为垃圾邮件？」这种是 / 否式的判断，又该如何构建模型呢？
本模块将介绍一种新型的回归模型：逻辑回归。它专门用于预测某个结果发生的概率，从而帮助我们完成二分类（Binary Classification）任务。
关于逻辑回归的出现动机，也可以参见文章「逻辑回归模型的建立与求解：分类建模与训练过程」中的介绍。
逻辑回归与线性回归的本质区别
线性回归：输出一个连续值（如 23.5 mpg、¥15.6）。
逻辑回归：输出一个介于 0 到 1 之间的概率，表示某事件发生的可能性（如「垃圾邮件的概率为 0.93」）。
模块结构#
接下来的内容将围绕以下子主题展开：
-
使用 S 型函数计算概率：从线性输出 $z = b + w_1 x_1 + w_2 x_2 + \ldots + w_n x_n$ 出发，介绍如何通过 Sigmoid 函数 $y' = \frac{1}{1 + e^{-z}}$ 得到 0 到 1 之间的概率值。
-
损失函数与正则化：解释为什么逻辑回归采用「对数损失」而不是「平方损失」，以及在训练中为何需要正则化以避免过拟合。
关键术语：
完成本模块后，你将能够判断哪些问题适合用逻辑回归建模，并理解其背后的概率化思维方式。