逻辑回归：分类问题入门

明明叫“回归”，却专门用来做分类——逻辑回归的名字常让人困惑。本文解释它如何用一条 S 形曲线把任意数值压缩成“是或否”的概率，以及为什么它至今仍是风控、筛查等场景里最常用的基线模型。

名字里的误会

逻辑回归带着“回归”二字，干的却是分类的活，这个命名常让初学者困惑。原因是它内部确实先做了一次线性打分：把各个特征乘以权重加起来，得到一个可大可小的分数。只不过这个分数没有直接输出，而是又经过一层转换，变成了 0 到 1 之间的概率。回归的部分在里面，分类的结果在外面。

所以更准确的理解是：它是一条直线外加一道压缩工序。直线负责把特征综合成一个分数，压缩工序负责把分数翻译成“有多大可能属于这一类”。两者合起来，就得到一个既能打分又能给出概率的模型，这在需要评估风险的场合特别有用。

S 形曲线的妙处

这道压缩工序就是逻辑函数，形状像一条被拉长的 S。不管输入是负一百还是正一百，它都把结果稳稳压在 0 和 1 之间，而且在中段变化最快、两端趋于平缓。这个性质很关键：分数居中时，微小的变化就能明显改变概率；分数极端时，模型已经很有把握，再加分也不会改变结论。

训练时，模型不再追求让误差平方和最小，而是追求让真实标签出现的可能性最大，这就是最大似然的思想。直白地说，对于确实属于正类的样本，模型希望给出的概率越接近 1 越好；对于负类样本，越接近 0 越好。这个目标形状良好，用梯度下降求解很顺利。

阈值不是非得 0.5

得到概率之后，还要定一条线把“是”和“否”分开。教科书常写 0.5，但真实业务里几乎不会照搬。审批场景中，把一个不合格者放行的代价，远高于拒绝一个合格者，阈值就会被压得很低；筛查场景则反过来，宁可多召回一些疑似者，也不愿漏掉真正的目标。

调整阈值不会改变模型本身，只是移动了判定的分界。因此在评估分类器时，专业人员更看重模型在整个阈值区间的整体表现，而不是某一个点上的正确率。这也是为什么逻辑回归常被做成评分卡：分数可排序，阈值可以事后按业务需要灵活设定。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。