1樓：華子
原回答：
我也是最近才知道這個歷史，因為最開始的時候這個東西是乙個英中國人研究父母身高 X 和子女身高 Y 關係的時候，搞出來的。
他發現A家庭父母都是一公尺九，B家庭父母都是一公尺六，結果A家庭子女一公尺八五，B 家庭子女一公尺七，兩個家庭的子代身高"回歸"到乙個中間值。（以上資料只是我瞎編的例子，但道理是這個道理，100代後姚明子女和郭敬明子女可能身高回歸到人類均值。）
但現在我們說的回歸，指的是看資料集X 和資料集Y 有什麼關係，不一定要回歸到乙個均值，但為了紀念當年的這個英中國人的發現，我們還是叫它回歸（regression）。
發現答歪了，原題主問的是為什麼叫"邏輯"，關於這個問題我來說一下我的心路歷程。
本身是學EE的，所以一開始覺得一定是因為結果是二分類的，所以就像 logic gate 一樣，結果當作0，1 所以是logistic regression
後來發現好像不是這樣。
「 The function that computes the natural logarithm of the odds from a fraction is called the logit function (pronounced with a long O and a soft G), so regression used to predict the logit of a probability from multiple independent variables is called logistic regression. 」重點是那個方程。log(odd)有自己的名字叫 logit，其中odd的定義是可能發生的機率比上不可能發生的機率，p/（1-p）。
這裡面的對數log底數一般取 e， 這個方程幹的事情，就是從勝率比推導出乙個正負無窮區間內的值，賭博的時候算賠率，比如有乙個100面的色子，只有轉到100算開大，其他都算開小，試想你買大，p=1/100，1-p=99/100，log（1/99），乙個絕對值挺大的負數沒跑的了，對應的因為你輸的概率大，莊家在你贏的時候給你的錢就會多。扯題了，總之記住這個log底對數就是把概率變成了乙個正負無窮區間內的數。
反之，這玩意的反函式就是logistic regression了，現在我們有的是正負無窮內的值，要求的是他的概率，正函式叫logit，反函式求regression我想就叫logistic regression。
機器學習的梯度下降演算法中尋找最合適學習率「阿爾法」的意義是什麼？
洋洋 目標函式的變數還是theta，可以把alpha視為乙個可以改變的常量，我們的目的就是為了更快地更準確地收斂到最小值。就好比要從a點到b點，ab 100公尺，我們的目的是達到b點 目標函式收斂 我們 變數 可以選擇不同的交通工具 alpha 到達b點，乘飛機 alpha較大 還沒起飛就到b點了，...
關於機器學習演算法中的smote處理不平衡問題，是針對於整個資料集處理還是僅針對訓練集來處理？
facetothefate 嘛，這個問題顯然可以翻譯成 對於交叉驗證，到底應該在哪做over sampling？顯然有這麼幾種做法 1，對整個開發集做over sampling，然後再交叉驗證 2，先劃分，對訓練集做 over sampling，用測試集測試 首先第一點要銘記於心的是，我們進行交叉驗...
機器學習（包括但不限於深度學習）和優化演算法中有哪些 fundamental trade off？
Ning Lee 最基本的兩個 exploration exploitation trade off 探索與守成 計算複雜度 vs 模型效能 舉例來說 增強學習中的典型問題，是探索新領域還是在舊的領域裡面取最好的 多臂賭博機問題 LSTM中sample word的數量，顯然考慮更多的word能提公升...