什麼是 Logistic Regression 邏輯回歸？
Logistic Regression（邏輯回歸）是機器學習中最經典的二分類模型。它專門用來處理只有兩個類別的問題，並透過 Sigmoid 函數把模型輸出的原始分數，平滑地轉換成 0 到 1 之間的機率值，讓輸出可以直接被解讀為「這件事屬於正類的機率」。
現實生活中，很多重要決策本質上就是「是」或「否」的二元選擇，因此 Logistic Regression 成為實務上應用最廣泛的模型之一。舉個最常見的例子：在垃圾郵件過濾系統裡，模型不需要列出所有可能的類別，而是直接判斷一封郵件是「垃圾郵件」還是「正常郵件」，並給出明確的機率。
Sigmoid 是什麼？
Sigmoid 負責把模型輸出的「原始分數」（logit）轉換成一個介於 0 到 1 之間的機率值。在模型內部，輸入資料會先經過線性轉換得到一個 logit 分數，這個分數本身沒有明確的意義，可能很大、可能很小，完全取決於特徵和權重。
Sigmoid 的核心作用，就是把這個任意範圍的分數平滑壓縮到 0～1 之間，讓它可以直接被解讀為「這是正類的機率」。換句話說，它把「模型覺得這筆資料有多接近正類」這種相對概念，變成「這是正類的機率是多少」這種明確且可解釋的結果。
公式試算
假設我們收到一封可疑郵件，模型根據郵件中的可疑關鍵字數量、連結數量等特徵，計算出 logit 分數 t = 2.5，並將 t 代入 Sigmoid 公式，其中 e 是數學常數，約等於 2.718，無論 t 是多麼大的正數或負數，它都能讓結果平滑地落在 0 到 1 之間。
計算後得到 0.924，也就是 92.4% 的機率是垃圾郵件。
訓練時如何學習？
光有 Sigmoid 還不夠，模型還需要「知道自己錯得有多離譜」才能不斷進步。這時候最常用的損失函數就是 Cross-Entropy Loss（交叉熵損失）。
簡單來說，Cross-Entropy 就像是給模型打分數的老師：它會比較「模型輸出的機率」跟「真實答案（0 或 1）」之間的差距。差距越大，損失值越高；差距越小，損失值越低。訓練過程中，模型會使用梯度下降不斷調整權重，讓這個損失值越來越小。
這樣一來，原本垃圾郵件算出的 logit 分數 t = 2.5，就會隨著權重調整而越來越大（機率越來越接近 1），讓模型越來越會判斷垃圾郵件。
模型是如何做出預測的？
Logistic Regression 本質上是線性回歸的延伸。線性回歸輸出的是連續的分數，而我們再用 Sigmoid 把這個分數壓縮到 0～1 之間，變成可解釋的機率。
因此，在高維空間中，Logistic Regression 其實就是在找一條決策邊界（Decision Boundary），把兩個類別清楚分開。想像成一條線（或一個平面），這一邊是「垃圾郵件」，那一邊是「正常郵件」。
預測的完整流程其實很簡單：
- 計算 logit 分數: 模型先對輸入資料做線性轉換：透過權重與偏差算出 logit（就像前面垃圾郵件例子中的 t = 2.5）。
- 轉換成機率： 把 logit 丟進 Sigmoid 函數，得到介於 0 到 1 之間的機率值。這個值可以直接解讀為「模型的信心程度」（例如 0.924 代表 92.4% 可能是垃圾郵件）。
- 套用門檻值: 設定一個 threshold（最常用的是 0.5）。機率大於門檻就預測為正類（1），小於則為負類（0）。在實際專案中，這個 0.5 可以根據業務需求調整（例如垃圾郵件過濾想更嚴格，就可能調到 0.3）。
以上就是 Logistic Regression 從輸入資料到最終預測的完整流程。看似簡單的幾個步驟，背後卻是透過大量標註資料訓練出來的權重，才能在真實世界中做出可靠又可解釋的判斷。
Logistic Regression 與 Softmax Regression 的關係
Logistic Regression 是專門用來處理二分類問題的模型（只有兩個類別，例如「是垃圾郵件」或「不是垃圾郵件」）。當類別數量增加到三個以上時，我們就會改用 Softmax Regression 多項邏輯回歸 來處理多分類問題。
從結構上來看，Logistic Regression 可以被視為 Softmax Regression 多項邏輯回歸 的特例。當類別數只有兩個時，Softmax 函數實際上就會退化成 Sigmoid 函數。
也因此，在實務上可以直接把 Logistic Regression 看成 Softmax Regression 的二分類版本。
結論
Logistic Regression 雖然名字裡有「回歸」兩個字，卻是機器學習領域最經典、最實用的二分類模型之一。它的核心價值在於：把線性計算出來的 logit 分數，透過 Sigmoid 函數轉換成 0 到 1 之間的可解釋機率，讓模型不只能做出「是或否」的判斷，還能清楚告訴我們「有多大的信心」。
從垃圾郵件過濾、停車場滿位預測，到醫療診斷、金融風險評估，Logistic Regression 幾乎無處不在。它的訓練過程（Cross-Entropy Loss + 梯度下降）簡單卻強大，而預測時的三步驟（計算 logit → 轉機率 → 套用門檻）也極具可解釋性，這正是它至今仍被廣泛使用的原因。
Logistic Regression 就是「把複雜的特徵轉成簡單可信的機率」的經典工具，也是理解 Softmax Regression 與所有現代分類模型最重要的基礎。