Machine Learning & DSVì nó ước lượng xác suất một mẫu thuộc lớp dương rồi so với ngưỡng để ra nhãn. Bên trong, nó vẫn tính một tổ hợp tuyến tính z = β₀ + βᵀx như linear regression, nhưng đưa qua hàm sigmoid/logistic σ(z) = 1 / (1 + e^(-z)) để nén về khoảng (0, 1) — một xác suất.
Chữ "regression" trong tên nói tới việc nó hồi quy log-odds (logit) theo các đặc trưng: log(p / (1 − p)) = βᵀx là tuyến tính.
Khác biệt chính so với linear regression:
- Đầu ra bị chặn trong
(0, 1), không phải một số thực bất kỳ. - Hàm mất mát là log-loss (cross-entropy / hợp lý cực đại), không phải bình phương tối thiểu.
- Ranh giới quyết định tuyến tính (mặc định); phân loại bằng cách so xác suất với ngưỡng (thường 0.5, có thể điều chỉnh theo bài toán).