邮箱把一封邮件丢进垃圾箱，背后是 AI 在做一次概率判断：这封信属于垃圾邮件的可能性有多高。逻辑回归做的就是这件事，它输出一个 0 到 1 之间的数，代表属于某一类的可能性。名字里带着「回归」，干的却是分类的活，这个错位让很多人第一次接触时感到别扭。把它的输出、阈值、系数和失效条件讲清楚，比背下公式有用得多，也能解释为什么在深度学习时代它依然是分类任务最常见的基线。
一条直线被压进 0 到 1 之间
线性回归算出的是一个可以任意大、任意小的分数，这个分数没有上界也没有下界，没法直接当概率用。逻辑回归在它外面套了一个 S 形函数，把整条实数轴映射到 0 到 1：分数很大时输出贴近 1，很小时贴近 0，中间一段近似线性。这个变换保住了排序，分数越高概率越大，同时给出一个可以解释为「可能性」的数值。要注意的是，这个数值是否真的等于概率，取决于模型有没有校准好；很多情况下它只是一个相对高低的信号，而非严格的概率估计。
三个使用层次，代价各不相同
同一个模型，可以用在三个不同的深度上，越往后对使用者的要求越高：
| 用法 | 得到什么 | 主要代价 | 典型失效 |
|---|---|---|---|
| 只要类别 | 一个硬标签，直接可用 | 丢掉置信度信息 | 阈值定错时，错判集中在一类 |
| 要概率 | 可排序、可分层、可加权 | 需要额外做校准 | 样本不均衡时概率系统性偏高或偏低 |
| 要解释 | 每个特征的贡献方向 | 特征相关时方向会失真 | 把系数直接当因果结论 |
很多团队只用第一层，拿到标签就结束，结果在需要「按风险排序」时发现模型给不出可用的次序。第二层和第三层的价值，往往比多一个百分点的准确率更大，但它们对使用者的要求也更高：得知道概率有没有校准、系数在什么条件下才能读。
阈值是业务决定，不是模型的一部分
模型输出 0.7，判定为正类还是负类，取决于你把线画在哪里。默认取 0.5 只是习惯，它隐含了一个假设：把正类误判成负类，和把负类误判成正类，代价差不多。现实中这个假设经常不成立。垃圾邮件过滤里，漏掉一封正常邮件比放过一封垃圾邮件更让人恼火；在交易欺诈拦截里，漏掉一笔的代价又远高于多拦一笔。同一个模型，换个阈值就换了一种取舍，这个取舍应该由业务方定，不该由默认参数决定。
系数的方向好读，幅度难读
逻辑回归的系数作用在「几率」上，不直接作用在概率上。系数为正，说明这个特征变大时，属于正类的几率上升；为负则下降。方向判断很直观，幅度就没那么好读：几率翻倍对应的概率变化，取决于起点在哪，起点在中间时翻倍的变化量，和起点接近 0 时完全不同。所以「系数是 0.8，概率就涨 0.8」这种读法是错的。真要解释幅度，通常换算成几率比，或者固定其他特征，做几组模拟对比看实际差多少。
它在哪些场景会失效
特征和标签的关系如果本身是非线性的，逻辑回归只能用一条直线去切，切不动就欠拟合，这时需要人工构造交叉项或者换模型。样本极度不均衡时，模型倾向于把所有样本判成多数类，准确率看着很高，实际一个正类都没抓到，这时候该看召回率和混淆矩阵，而不是准确率。特征之间高度相关会让系数不稳定，符号甚至可能反直觉。还有一处容易被忽略：概率校准。逻辑回归在训练分布内通常校准得不错，但数据分布一旦漂移，输出的 0.9 可能远高于实际发生率，拿它做风险定价就会出问题，相关做法见模型校准。
为什么它还是第一站
训练快、输出可解释、对特征尺度不敏感、样本需求相对小，这几条加起来，使它成为任何分类任务都值得先跑一遍的基线。更重要的价值是参照系：后面的复杂模型如果提升有限，那点提升是否值得维护成本，就有据可依。它也是理解更复杂模型的台阶，神经网络最后一层的 Softmax，本质上就是把二分类的这套思路推广到多类，输出同样是一组加起来等于 1 的概率。
速查：逻辑回归的四个判断点
- 输出是概率，不是类别，类别由阈值切出来
- 0.5 只是习惯，阈值要按误判代价调
- 系数读方向可靠，读幅度要先换算几率比
- 不均衡数据别看准确率，看召回与混淆矩阵
