| 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).                                              |

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。

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。

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!

基本区别:

线性回归基本上是一个回归模型，这意味着它将给出一个函数的非离散/连续输出。这个方法给出了值。例如，给定x, f(x)是多少

例如，给定一个由不同因素组成的训练集和训练后的房地产价格，我们可以提供所需的因素来确定房地产价格。

逻辑回归基本上是一种二元分类算法，这意味着这里函数的输出值是离散的。例如:对于给定的x，如果f(x)>阈值将其分类为1，否则将其分类为0。

例如，给定一组脑瘤大小作为训练数据，我们可以使用大小作为输入来确定它是良性肿瘤还是恶性肿瘤。因此这里的输出不是0就是1。

这里的函数基本上是假设函数

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。