如果不存在线性关系时，我们可以通过对数变换。
对数变换的目的就是将非线性问题转换为线性问题，这样就能够用线性回归相关理论和方法来解决非线性的问题。
二分类：知否两个分类状态，“是”“否”。
多分类：有多个类别的状态：高、中、低。。。
我们主要学习二分类Logistics回归，也叫二元类Logistic回归。因变量只有两个分类值，1或0，也就是是和否。
在模型预测中，我们不是直接得到分类纸1或0，而是以发生的可能性大小来衡量，即得到一个介于0到1之间的概率值P，利用概率值P来预测因变量出现某个状态的可能。
0<=P<0.5
0.5<=P<=1
Logistic回归方程表达式：
logit（P）=b0+b1X1+b2X2+...+bnXn
经过对数变换后，自变量成线性关系，而且b0.b1.b2...bn就是变换之后的回归系数。
对数变换的目的就是将非线性问题转换为线性问题，这样就能够用线性回归相关理论和方法来解决非线性的问题。
二分类：知否两个分类状态，“是”“否”。
多分类：有多个类别的状态：高、中、低。。。
我们主要学习二分类Logistics回归，也叫二元类Logistic回归。因变量只有两个分类值，1或0，也就是是和否。
在模型预测中，我们不是直接得到分类纸1或0，而是以发生的可能性大小来衡量，即得到一个介于0到1之间的概率值P，利用概率值P来预测因变量出现某个状态的可能。
0<=P<0.5
0.5<=P<=1
Logistic回归方程表达式：
logit（P）=b0+b1X1+b2X2+...+bnXn
经过对数变换后，自变量成线性关系，而且b0.b1.b2...bn就是变换之后的回归系数。