逻辑回归：把分数变成概率

分类怎么办：先打分，再压弯

直线输出的是任意大小的数，可分类要的是「是 / 否」。逻辑回归的办法很巧：先像线性回归一样打个分，再把分数塞进一个 S 形函数（叫 sigmoid），把任何分数压成 0 到 1 之间的数，当作「是」的概率。分数越高概率越接近 1，越低越接近 0，0 分正好 0.5——拿不定主意。

一个具体场景

垃圾邮件过滤：模型给每封邮件打分，「内含中奖、转账等词」加分。一封邮件算出概率 0.93，超过 0.5 的门槛，判为垃圾邮件；另一封 0.41，放行。门槛就是决策边界，默认 0.5，但可以调。

门槛可调，大有讲究

把门槛降到 0.3：更多邮件被拦，但也可能误伤正常邮件；提到 0.7：放行更宽松。医学筛查往往故意压低门槛——宁可多查几个好人，也不放过一个病人。同一个模型，门槛不同，脾气就不同。

常见误区

名字叫「回归」，干的却是分类——它回归的是「概率」这个数，再按门槛切成类别。另外，概率 0.9 不等于「九成把握是真相」，它只是模型在自己见过的数据上给出的倾向，模型本身就可能有偏差。

练一练：三封邮件的概率是 0.8、0.5、0.2，门槛 0.5 时各怎么判？门槛调成 0.3 呢？