Logistic回归比线性回归更适用于:A. 连续变量B. 分类变量C. 顺序变量D. 数值变量

考查要点：本题主要考查对Logistic回归与线性回归应用场景的理解，需明确两者在输出变量类型上的适用性差异。

解题核心思路：

• 线性回归用于预测连续变量（如温度、房价），输出是实数值；
• Logistic回归用于分类问题（如判断垃圾邮件、疾病诊断），输出是概率，最终转化为分类变量（如“是/否”）。
  破题关键：明确区分“连续变量”与“分类变量”的概念，抓住Logistic回归的核心作用——处理类别预测问题。

Logistic回归与线性回归的对比：

1. 线性回归：

   • 输出为连续值，形式为 $y = \beta_0 + \beta_1x_1 + \dots + \beta_nx_n$。
   • 适用于预测如身高、考试分数等可取任意实数的变量。

2. Logistic回归：

   • 输出通过sigmoid函数压缩到 $(0,1)$，表示概率：
     $P(y=1) = \frac{1}{1 + e^{-(\beta_0 + \beta_1x_1 + \dots + \beta_nx_n)}}$
   • 最终根据概率阈值（如 $0.5$）将结果划分为类别（如“患病/未患病”）。
   • 适用于二分类问题，输出为分类变量（如“0”或“1”）。

选项分析：

• A. 连续变量：线性回归更适用。
• B. 分类变量：Logistic回归的核心用途，正确。
• C. 顺序变量：虽有顺序，但Logistic回归的变体（如序贯模型）才专门处理，非本题重点。
• D. 数值变量：等同于连续变量，线性回归更适用。