一、二者说明

1.线性回归

线性回归作为统计学领域的一个重要的方法，主要被应用于描述自变量与因变量之间的关系，一般分为一元线性回归以及多元线性回归分析，一元线性回归分析就是指因变量和一个自变量之间的关系，多元线性回归分析因变量和两个或者两个以上自变量之间的关系，线性回归的一般表示形式如下：

其中y为因变量，x1…xk为k个自变量。

1. 

2. 

3. 相互独立     

2.Logistic回归

Logistic（逻辑）回归是一种监督式学习的分类回归算法，本质上与线性回归同属于广义线性模型，在logistic回归中可以直接预测观测相对于某一事件的发生概率。其中logistic回归分析一般包括二元logistic回归分析、多分类logistic回归分析以及有序logistic回归分析。三者区别如下：

二、二者区别

线性回归分析和logistic回归有什么区别呢？以下从数据类型、前提条件、分析和应用场景四个方面进行说明。

1.数据类型不同

线性回归要求因变量为定量变量而logistic回归要求因变量为分类变量，如果是二元logistic回归分析因变量要求是二分类变量，并且只能为0和1，比如是否购买，1代表是，2代表否，多分类logistic回归分析，因变量要求是分类变量且无序，比如“踢足球”、“打篮球”以及“打羽毛球”等等，有序logistic回归分析因变量要求是分类变量且有序，比如“不愿意”、“愿意”、“非常愿意”等等。

2.前提条件不同

线性回归要求因变量服从正态分布，但是logistic回归没有要求，并且线性回归要求自变量和因变量呈现线性关系，而logistic回归没有要求自变量和因变量呈线性关系。

3.分析关系不同

线性回归是分析整个因变脸与自变量之间的关系，但是logistic回归是分析因变量取某个值的概率与自变量之间的关系。比如二元logistic回归分析，最后分析因变量为1的概率与自变量之间的关系。

4.应用场景不同

线性回归分析和logistic回归分析因变量不同所以导致二者应用也不同，在实际生活中，线性回归一般用于数量统计方法的基础，常常用于对定量数据的预测，比如用于预测房价，logistic回归分析更适合预测分类问题，比如预测某件事情的发生，预测贷款是否违约等等，线性回归一般还可以解决线性问题，logistic回归可以解决非线性问题。

三、二者操作

线性回归分析

操作路径：通用方法→线性回归

Logistic回归分析

操作路径：进阶方法→二元logit/多分类logit/有序logit

四、分析案例

1.线性回归分析

https://zhuanlan.zhihu.com/p/608170831

2.Logistic回归分析

以二元logit回归举例进行说明。

二元logistic回归分析全流程分析 - 知乎 (zhihu.com)

五、总结

本篇文章主要讲述了线性回归和logistic回归，包括二者说明，二者区别，如何操作，以及分析案例四个方面，其中发现二者的数据类型不同、前提条件不同，分析关系不同以及应用场景不同。欢迎补充。