Logistic回归又称logistic回归分析，是一种广义的线性回归分析模型，虽然名字中有“回归”二字，但实际却是一种分类学习方法。对于回归这个概念，简单的说，回归就是用一条线对N个数据点进行一个拟合，这个拟合的过程就叫做回归。Logistic回归分类算法就是对数据集建立回归公式，以此进行分类。而至于如何寻找最佳回归系数，或者说是分类器的训练，就需要使用到最优化算法了。
Logistic回归函数的公式如下：
图像如下：
考虑二分类问题，y的值属于（0,1），而线性模型产生的预测值 z = ‘x+b是实值，于是我们需要将实值z转换程0/1值。其最理想的是“单位阶跃函数”，当z<0时，y=0；当z=0时，y=0.5；当z>0时，y=1。即若预测值y大于0就判为正例，小于0就判为反例，等于0可以任意判别。
logsitc回归方法主要是用最大似然估计来学习的，所以单个样本的后验概率为：
到整个样本的后验概率：
其中：
通过对数进一步化简为：
Logistic回归优点：
1、实现简单；
2、分类时计算量非常小，速度很快，存储资源低；
缺点：
1、容易欠拟合，一般准确度不太高
2、只能处理两分类问题（在此基础上衍生出来的softmax可以用于多分类），但必须线性可分。