雖然同為迴歸模型，
但是兩模型處理的問題並不同，
線性迴歸處理目標值為「數值型」，
羅吉斯迴歸處理目標值為「類別型」。

線性迴歸

參考文章線性迴歸的運作原理，
線性迴歸（linear regression）是在資料點中找出規律、畫出一條直線的專業說法。

from sklearn.linear_model import LinearRegression
 reg = LinearRegression().fit(X, y)

1. 使⽤ Sklearn 套件的線性回歸
2. 建立線性回歸模型，並將 X, y 資料送進模型中訓練
3. Reg 就是訓練好的模型，可以⽤ .predict 來預測新資料

羅吉斯迴歸

參考文章第3.3講：線性分類-邏輯斯回歸(Logistic Regression) 介紹，

首現先介紹一下Sigmoid函數，也稱為logistic function，
這個函數的y 的值介於 0~1，
這樣的分布也符合機率是在0~1的範圍中。

from sklearn.linear_model import LogisticRegression
 reg = LogisticRegression().fit(X, y)

1. 使⽤ Sklearn 套件中的 Logistic 回歸
2. 建立 Logistic 回歸模型，並將 X, y 資料送進模型中訓練
3. Reg 就是訓練好的模型，可以用 .predict 來預測新資料

迴歸假設

參考文章回归分析的五个基本假设，
針對假設做說明，可能發生的問題，以及檢測方式。

• 線性性 和 可加性
• 誤差項（ε）之間應相互獨立
• 自變量（X1，X2）之間應相互獨立
• 誤差項（ε）的方差應為常數
• 誤差項（ε）應承正態分配

線性迴歸速度快，
但要注意共線性、標準化問題，
也要注要迴歸的事前假設。

以上，打完收工。