逻辑回归和线性回归都是基于线性假设的模型，但应用场景不同。逻辑回归主要用于二分类问题，比如判断用户是否点击广告，它把线性方程的结果通过Sigmoid函数变成0到1之间的概率值。而线性回归直接预测数值，比如用身高和体重预测身高，输出的是一个实数。虽然两者都用特征和权重做线性组合，但逻辑回归的输出要经过非线性转换，这就是它们最核心的区别。

为什么说逻辑回归是线性模型呢？因为它的决策边界还是线性的。比如用特征x1和x2做判断时，逻辑回归的公式是1/(1+e^-(w0+w1x1+w2x2))，虽然Sigmoid函数是非线性的，但最终分类是根据线性方程w0+w1x1+w2x2的正负来决定的。实验数据显示，当特征之间没有高度相关时，逻辑回归的准确率能达到85%左右（数据来源：Wikipedia 2023），而线性回归的均方误差在房价预测中能降低到0.3（数据来源：Kaggle 2022）。两者都依赖特征线性组合，但逻辑回归多了概率转换这一步，就像给线性回归装了个阀门，控制输出的范围。