什么是分类模型？
分类模型用于做出决策或将项分配到类别。 与输出连续数字（如高度或重量）的回归模块不同，分类模型输出布尔值（true 或 false）或分类决策（例如 apple、banana或 cherry）。
有许多类型的分类模型。 有些与经典回归模型类似，而另一些则基本不同。 最初要学习的最佳模型之一称为逻辑回归。
什么是逻辑回归？
逻辑回归是一种分类模型，其工作方式类似于线性回归。 逻辑回归与线性回归之间的区别在于曲线的形状。 简单线性回归拟合数据的直线，而逻辑回归模型拟合 S 形曲线：
逻辑回归比线性回归更适用于估计布尔结果，因为逻辑曲线始终生成 0 (false) 和 1 (true) 的值。 这两个值之间的任何值都可以视为概率。
例如，假设我们尝试预测今天是否会发生雪崩。 如果逻辑回归模型给出的值为 0.3，则它估计有 30% 的概率会发生雪崩。
将输出转换为类别
由于逻辑回归提供给我们这些概率，而不是简单的 true/false 值，因此我们需要执行额外的步骤将结果转换为类别。 进行此转换的最简单方法就是应用阈值。 例如，在下图中，我们的阈值设置为 0.5。 此阈值意味着，任何低于 0.5 的 y 值都转换为 false（左下框），任何高于 0.5 的值都转换为 true（右上框）。
查看该图，可以看到，当特征低于 5 时，概率将小于 0.5，因此将转换为 false。 5 以上的特征值提供 0.5 以上的概率，因此将转换为 true。
值得注意的是，逻辑回归不必仅限于 true/false 结果，它还可以用于存在三个或更多潜在结果（例如 rain、snow 或 sun）的情况。 此类型的结果需要一种稍微复杂的设置，称为多项式逻辑回归。虽然我们不会在接下来的几个练习中练习多项式逻辑回归，但在你需要进行非二进制预测的情况下，这一点值得考虑。
还需注意的是，逻辑回归可以使用多个输入特征：稍后将对这种情况进行详细介绍。