1.用自己的话描述一下，什么是逻辑回归，与线性回归对比，有什么不同？
逻辑回归和线性回归都是通过把一系列数据点预测计算出一条合适的“线”，将新的数据点映射到这条预测的“线”上，继而做出预测。
线性回归：主要用来做预测，过程是拟合函数，求参用的是最小二乘法。
逻辑回归：主要用来做分类，过程是预测函数，求参用的是梯度下降。
2.自述一下什么是过拟合和欠拟合？
过拟合：太过贴近于训练数据的特征了，在训练集上表现非常优秀，近乎完美的预测/区分了所有的数据，但是在新的测试集上却表现平平。
欠拟合：样本不够或者算法不精确，测试样本特性没有学到，不具泛化性，拿到新样本后没有办法去准确的判断。
3.思考一下逻辑回归的应用场景有哪些？
比如说天气预测能不能打球；客户喜欢那些商品；砖石分等级等等一些分类问题。
原文：https://www.cnblogs.com/ccla/p/12773063.html