---
title: "邏輯迴歸（Logistic Regression）"
slug: logistic-regression
language: zh-TW
source: https://aiterms.tw/terms/logistic-regression
updated_at: 2026-04-29
tags: [機器學習, 統計方法, 模型訓練, 模型評估, AI基礎, Python程式, 數學基礎, iPAS初級]
ipas_term: false
---

# 邏輯迴歸（Logistic Regression）

> **你有沒有想過，模型不一定只回答數字，也可以回答「會不會」？**
> 你可以把邏輯迴歸想成，先算出分數，再把分數壓成機率。
> 它其實就是用來做分類的經典方法。
> 當你想知道一筆資料屬於哪一類時，它常是很實用的起點。
>
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **邏輯迴歸 vs 線性迴歸**
> 線性迴歸預測連續值，邏輯迴歸預測分類機率。
> 一個輸出多少，一個輸出屬不屬於。
>
> **邏輯迴歸 vs 決策樹**
> 邏輯迴歸是線性邊界，決策樹是分裂規則。
> 一個靠公式，一個靠樹狀判斷。
>
> **最關鍵的區別：** 一個做連續預測，一個做分類預測。
>
### 記住這句就好
> 先算分數，再把分數變成機率。
>
### 實際案例
> **信用違約預測**
> 根據收入、負債比和還款紀錄，模型輸出會不會違約的機率。
>
> **垃圾郵件判斷**
> 模型不只說是或不是，還能給出垃圾郵件的可能性，方便後續設門檻。
>
### 算法與應用
> 它先算出線性組合，再透過 S 型函數把分數壓成 0 到 1 的機率。
> 訓練時通常搭配對數損失，讓模型在分類邊界上學得更穩。
> 因為結果好解釋，常被當成分類問題的基線模型。
>
### 情境判斷
> **Q1（直覺題）： 你要判斷客戶會不會流失，輸出最適合長什麼樣子？**
>
> → 輸出機率最合適，這正是邏輯迴歸擅長的型態。
>
> **Q2（判斷題）： 邏輯迴歸名字裡有迴歸，就一定拿來做數值預測嗎？**
>
> → 不是，它雖然名字像回歸，但實際上多用在分類。
>
### 常見問題
> **Q：邏輯迴歸的輸出一定是 0 或 1 嗎？**
> 不一定，它先輸出機率，再由門檻決定最後分類。
>
> **Q：邏輯迴歸適合處理非線性問題嗎？**
> 如果邊界很複雜，單靠它通常不夠，可能要更強的模型。
>
> **Q：邏輯迴歸為什麼還常被使用？**
> 因為它快、穩、可解釋，在很多場景裡是很好的基線。
>
### 相關術語
> - **S 型函數**：它把分數轉成機率，是邏輯迴歸的核心。
> - **對數損失**：分類訓練時常和邏輯迴歸一起出現。
> - **線性迴歸法**：名字很像，但輸出和用途完全不同。
> - **決策樹**：讀完這個後，可以再看另一種分類思路。

---

來源：https://aiterms.tw/terms/logistic-regression
快查頁：https://aiterms.tw/terms/logistic-regression
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-logistic-regression