1.用自己的话描述一下，什么是逻辑回归，与线性回归对比，有什么不同？
逻辑回归虽然名字里带“回归”两字，但实际上是这却是一种分类方法，用于解决一些二分类问题（即输出的结果只有两种）的机器学习方法。人们将它用于估计某种事物的可能性，比如某个人患病的可能性、某商品被某用户购买的可能性等等。
逻辑回归是一种简单，常见的二分类模型，通过输入未知类别对象的属性特征序列来得到对象所处的类别。由于Y(x)是一个概率分布函数，因此对于二分类而言，离中心点的距离越远，其属于某一类的可能性就越大。
逻辑回归的公式如下（ 其中，Y为决策值，x为特征值，e为自然对数）：
Y(x)的图形如下：
该函数是一条S形的曲线，并且曲线在中心点附近的增长速度较快，在两段的增长速度较慢。w值越大，曲线中心的增长速度越快。从图上可知，Y的值域为(0,1)。
那么就可以将决策函数值大于等于0.5的具有对应x属性的对象归为正样本，决策函数值小于0.5的具有对应x属性的对象归为负样本。这样就可以对样本 数据进行二分类。
逻辑回归与线性回归：
1.线性回归只能用于回归问题，逻辑回归虽然名字叫回归，但是更多用于分类问题。
2.线性回归要求因变量是连续性数值变量，而逻辑回归要求因变量是离散的变量。
3.线性回归要求自变量和因变量呈线性关系，而逻辑回归不要求自变量和因变量呈线性关系。
4.线性回归可以直观的表达自变量和因变量之间的关系，逻辑回归则无法表达变量之间的关系。
2.自述一下什么是过拟合和欠拟合？
过拟合就是模型对训练数据拟合呈现过当的情况，反映到评估指标上，就是训练集上表现好，但在测试集和新数据上表现差，总结来说就是模型泛化能力差，为了得到一致假设而使假设变得过度严格；欠拟合是指模型拟合程度不高，数据距离拟合曲线较远，或指模型没有很好地捕捉到数据特征，不能够很好地拟合数据。过拟合可以通俗的理解为“想太多”，而欠拟合可以理解为“想的太少”。
- 过拟合的根本原因：特征维度过多，模型假设过于复杂，参数过多，训练数据过少，噪声过多，导致拟合的函数完美的预测训练集，但对新数据的测试集预测结果差。 过度的拟合了训练数据，而没有考虑到泛化能力。因此需要减少特征维度，或者正则化降低参数值。
- 欠拟合的根本原因：特征维度过少，模型过于简单，导致拟合的函数无法满足训练集，误差较大； 因此需要增加特征维度，增加训练数据。
3.思考一下逻辑回归的应用场景有哪些？
用于分类：适合做一些二分类算法问题
用于预测：预测事件发生的可能性，如某个人是是否患上某种病症、某个人是否有购买某样商品的意向。
用于分析：单一因素对某一个事件发生的影响因素分析（特征参数值）