回归问题的预测结果通常是在某区间内的一个连续值，例如

• 根据最近三年的房屋交易情况，预测某套房屋的成交价格
• 根据历史气象记录，预测某地某时刻的降水概率

而数据分类问题通常为在一个可数集合内的离散值

• 根据以往收到的邮件的特征，判定新邮件是否为垃圾邮件。
• 根据以往病例，判定某个病人身患肿瘤的情况。良性或恶性？

可以通过一个单调可微函数将分类任务的类别标记与线性回归模型的预测值联系起来。

利用 Sigmoid 函数作为广义线性模型的预测函数 ，得到

其预测值 仍为连续区间 上的某个值。处理方法是确定一个阈值 使得

则

则

若将 视为样本 作为正例的可能性，则 是其作为反例的可能性，即

「几率」定义为 与 的比值

反映了 作为正例的相对可能性。对几率取对数得到「对数几率」（log odds，亦称为 logit）。即

注意，预测函数 实际上在用线性回归模型的预测结果去逼近真实标记的对数几率。因此，其对应的模型称为「对数几率回归」（Logistic Regression）。需要指出的是，虽然称之为回归，但是实际是一种数据分类方法。因其能直接对分类可能性进行建模，无需事先假设数据分布，可以避免假设分布不准确带来的问题。