简而言之: 线性回归给出连续的输出。即在一个值范围内的任何值。 逻辑回归给出离散的输出。即Yes/No, 0/1类型的输出。

逻辑回归用于预测分类输出，如是/否，低/中/高等。你基本上有2种类型的逻辑回归二元逻辑回归(是/否，批准/不批准)或多类逻辑回归(低/中/高，0-9等数字)

另一方面，线性回归是因变量(y)是连续的。 Y = mx + c是一个简单的线性回归方程(m =斜率，c是Y截距)。多元线性回归有不止一个自变量(x1,x2,x3，…)等)

| Basis                                                           | Linear                                                                         | Logistic                                                                                                            |
|-----------------------------------------------------------------|--------------------------------------------------------------------------------|---------------------------------------------------------------------------------------------------------------------|
| Basic                                                           | The data is modelled using a straight line.                                    | The probability of some obtained event is represented as a linear function of a combination of predictor variables. |
| Linear relationship between dependent and independent variables | Is required                                                                    | Not required                                                                                                        |
| The independent variable                                        | Could be correlated with each other. (Specially in multiple linear regression) | Should not be correlated with each other (no multicollinearity exist).                                              |

在线性回归中，结果(因变量)是连续的。它可以有无限个可能值中的任意一个。在逻辑回归中，结果(因变量)只有有限数量的可能值。

例如，如果X包含以平方英尺为单位的房屋面积，而Y包含这些房屋的相应销售价格，您可以使用线性回归来预测销售价格作为房屋大小的函数。虽然可能的销售价格实际上可能没有任何值，但有很多可能的值，因此可以选择线性回归模型。

相反，如果你想根据房子的大小来预测房子是否会卖到20万美元以上，你会使用逻辑回归。可能的输出是Yes，房子将以超过20万美元的价格出售，或者No，房子不会。

线性回归和逻辑回归的基本区别是: 线性回归用于预测一个连续的或数值，但当我们寻找预测一个值，是分类逻辑回归进入画面。

二元分类采用逻辑回归。

简单地说，如果在线性回归模型中有更多的测试用例到达，这些测试用例远离预测y=1和y=0的阈值(例如=0.5)。在这种情况下，假设就会改变，变得更糟。因此，线性回归模型不适用于分类问题。

另一个问题是，如果分类是y=0和y=1, h(x)可以是> 1或< 0。因此，我们使用Logistic回归0<=h(x)<=1。