Logistic回归和线性回归的主要区别在于:A. Logistic回归只适用于数值变量B. Logistic回归预测分类结果,线性回归预 测连续值C. Logistic回归适用于大数据,线性回归适 用于小数据D. Logistic回归没有假设条件

考查要点：本题主要考查Logistic回归与线性回归的核心区别，重点在于理解两种模型的应用场景和输出类型。
解题思路：需明确两种回归模型的预测目标（分类 vs 连续值）、适用变量类型及假设条件，结合选项逐一排除错误答案。

选项分析

选项A：Logistic回归只适用于数值变量

错误。Logistic回归可以处理分类变量，通常通过哑变量编码（如one-hot编码）将分类变量转换为数值形式。因此，选项A混淆了变量类型与模型适用性的关系。

选项B：Logistic回归预测分类结果，线性回归预测连续值

正确。这是两种模型的核心区别：

• Logistic回归通过sigmoid函数将输出压缩到(0,1)，最终转化为类别（如0/1分类）；
• 线性回归直接输出连续值，用于回归任务（如房价预测）。

选项C：Logistic回归适用于大数据，线性回归适用于小数据

错误。模型的适用性与数据量大小无关，而与问题类型相关。两种回归均可处理大数据，区别在于任务目标。

选项D：Logistic回归没有假设条件

错误。两种模型均有假设条件：

• 线性回归要求因变量服从正态分布，且误差项独立同分布；
• Logistic回归要求样本间独立，且分类变量需正确编码。