它们在解决解决方案方面非常相似，但正如其他人所说，一个(逻辑回归)是用于预测类别“适合”(Y/N或1/0)，另一个(线性回归)是用于预测值。

所以如果你想预测你是否有癌症Y/N(或概率)-使用逻辑。如果你想知道你能活多少年，用线性回归吧!

在线性回归的情况下，结果是连续的，而在逻辑回归的情况下，结果是离散的(非连续的)

要执行线性回归，我们需要因变量和自变量之间的线性关系。但要执行逻辑回归，我们不需要因变量和自变量之间的线性关系。

线性回归是在数据中拟合一条直线，而逻辑回归是在数据中拟合一条曲线。

线性回归是机器学习的一种回归算法，逻辑回归是机器学习的一种分类算法。

线性回归假设因变量呈高斯(或正态)分布。逻辑回归假设因变量为二项分布。

非常同意以上的评论。 除此之外，还有一些不同之处

在线性回归中，残差被假设为正态分布。 在逻辑回归中，残差需要是独立的，但不是正态分布。

线性回归假设解释变量值的恒定变化导致响应变量的恒定变化。 如果响应变量的值代表概率(在逻辑回归中)，则此假设不成立。

广义线性模型(GLM)不假设因变量和自变量之间存在线性关系。但在logit模型中，它假设link函数与自变量之间是线性关系。

在线性回归中，结果是连续的，而在逻辑回归中，结果只有有限数量的可能值(离散的)。

例子: 在一种情况下，x的给定值是一个地块的平方英尺大小，然后预测y的比率是在线性回归下。

相反，如果你想根据面积预测地块是否会以超过30万卢比的价格出售，你将使用逻辑回归。可能的输出是Yes，该地块的售价将超过30万卢比，或者No。

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。