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？
（1）逻辑回归是一种用于解决二分类（0 or 1）问题的机器学习方法，用于估计某种事物的可能性。比如某用户购买某商品的可能性，某病人患有某种疾病的可能性，以及某广告被用户点击的可能性等。
（2）逻辑回归与线性回归都是一种广义线性模型。逻辑回归假设因变量 y 服从伯努利分布，而线性回归假设因变量 y 服从高斯分布。
（3）应用上的不同。逻辑回归：常用于数据挖掘，疾病自动诊断，经济预测等领域；线性回归：常运用于数学、金融、趋势线、经济学等领域。
| 线性回归 | 逻辑回归 |
| 均方误差 | 对数拟然损失 |
|
正规方程 梯度下降（大批量数据） |
梯度下降 |
2.自述一下什么是过拟合和欠拟合？
欠拟合
因为对于给定数据集，欠拟合的成因大多是模型不够复杂、拟合函数的能力不够。
为此可以增加迭代次数继续训练、尝试换用其他算法、增加模型的参数数量和复杂程度，或者采用Boosting等集成方法。
过拟合
过拟合成因是给定的数据集相对过于简单，使得模型在拟合函数时过分地考虑了噪声等不必要的数据间的关联。或者说相对于给定数据集，模型过于复杂、拟合能力过强。
3.思考一下逻辑回归的应用场景有哪些？
（1）用于分类：适合做很多分类算法的基础组件。
（2）用于预测：预测事件发生的概率（输出）。
（3）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）。
比如垃圾邮件判断（是/否垃圾邮件），是否患某种疾病（是/否）, 广告是否点击等场景。