# 逻辑回归

## 元数据

- 书名：百面机器学习：算法工程师带你去面试
- 作者：葫芦娃
- 章节：第 3 章 经典算法
- 页码线索：058
- 目标岗位：AI PM / LLM 产品 / 算法工程师面试
- 优先级：P0
- 标签：logistic-regression, baseline

## 面试问题

逻辑回归相比线性回归有何异同？

## 30 秒回答

逻辑回归用于分类，通过 sigmoid/softmax 把线性组合映射为概率，并用对数损失优化；线性回归用于连续值预测，通常优化平方误差。

## 展开要点

- 逻辑回归是广义线性模型，输出可解释为概率。
- 它训练稳定、可解释、易部署，是强 baseline。
- 多分类可用 softmax，多标签可用多个二分类器。
- 特征工程质量对逻辑回归效果影响很大。

## 高频追问

- 为什么逻辑回归不是回归任务？
- LR 如何处理多分类和多标签？
- LR 与 GBDT 如何结合？

## 项目映射

- 广告 CTR 预估、用户流失预测、意图分类 baseline。
- 用 LR 权重解释业务特征方向。

## AI PM 迁移

AI PM 可以用它理解“可解释 baseline”：不是所有问题都要直接上大模型。

## 备注

本卡为面试复习用的概念重构和答题框架，不保存原书正文。