Logistic 回归：从入门到进阶（之一）
——如何理解Logistic回归
我们在做统计分析之前，往往会做个散点图，以对数据有直观的了解。今天，我们就从散点图入手，来探究Logistic回归的奥秘。
如下，分别是连续型因变量和二分类因变量的散点图。很直观的，我们会想到用一条直线来代表左图中两个变量的关系。那么右图中，用一条什么样的线来代表呢？
如下，左图可以完美地拟合出一条直线；而右图如果绘制成S型曲线，意义就与左图有所不同了。
右图的纵轴已经换成了P值。所以右图曲线上的点，代表的就是在对应x位置，Y取到1的概率（即取到二分类变量中上方变量值的概率），Y轴label顺理成章换为了P-概率值。
有了拟合曲线，另一个问题就产生了。代表P值的曲线与自变量并非线性关系！那如何转化为线性关系，以方便我们写成y=ax+b的形式进行参数估计呢？
因此，就需要我们引入logit函数的概念。
如下左图中，β+βX与p的关系，是一条S曲线的关系；而我们引入logit函数，p与log(p/(1-p))的关系，恰好是一条反S曲线的关系。把二者一整合，负负为正，就得到了我们所期望的直线关系，即log(p/(1-p))=β+βX，就是所谓的Logistic回归方程。
这个logit函数，在广义线性模型中，就被成为连接函数。
我们实际上有很多种类的连接函数，可以构造很多种的回归。因为这里的函数恰好被叫做logit函数，所以，理所当然地，这个回归也就被称为Logistic回归。
相关资源：logistic回归
