概念卡：逻辑回归 Logistic Regression
概念卡：逻辑回归 Logistic Regression
一句话定义
逻辑回归是用于二分类或多分类任务的基础统计模型，输出样本属于某一类的概率。
它解决什么问题
它用于预测类别，并解释特征与类别概率之间的关系。
典型使用场景
- 是否高风险。
- 是否故障。
- 是否流失。
- 是否通过某个阈值。
需要知道的关键词
- Logit
- Odds
- Probability
- Classification
- Coefficient
和导师方向的关系
逻辑回归是应用统计和机器学习分类任务的常用基准模型，也适合风险预警任务的入门建模。
交流时可以怎么说
如果结果变量是二分类，我会先用逻辑回归作为可解释的基准模型。
逻辑回归输出的是概率，需要根据任务目标选择分类阈值。
可以追问的问题
- 这里更关心概率解释还是分类准确？
- 阈值如何选择？
- 类别是否不平衡？
给 AI 的提示词
请解释逻辑回归的直觉、适用场景、系数解释和分类阈值。请给一个 Python 最小示例，并说明它不能直接支持因果解释。
我的理解边界
- 已理解：逻辑回归是分类基准模型。
- 还不确定：odds ratio 的严格解释。
- 下次需要补：logit 函数。