1. 应用目标：

   • 线性回归：主要用于预测或解释一个或多个自变量（X）与因变量（Y）之间的线性关系。其目标是找到最佳的线性方程，使得预测值与实际值之间的差异最小。
   • 逻辑回归：虽然名字中包含“回归”，但逻辑回归实际上是一种分类算法，特别是用于二分类问题。它通过应用一个逻辑函数（通常是sigmoid函数）来预测一个事件发生的概率。

2. 目标函数：

   • 线性回归：通常使用最小二乘法作为目标函数，即最小化预测值与实际值之间差的平方和。
   • 逻辑回归：使用最大似然估计作为目标函数，通过迭代来最大化给定数据集的似然函数，从而找到最佳的参数。

3. 输出：

   • 线性回归：输出是一个连续的数值，表示预测值。
   • 逻辑回归：输出是一个介于0和1之间的概率值，表示某个事件发生的可能性。

4. 处理的数据类型：

   • 线性回归：主要处理连续型数据。
   • 逻辑回归：虽然也可以处理连续型数据作为特征，但其输出是针对分类问题的，特别是二分类。

5. 模型形式：

线性回归：模型是Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + ... + \beta_nX_n + \epsilon

其中 Y 是因变量，X_1, X_2, ..., X_n 是自变量， \beta_0, \beta_1, ..., \beta_n 是回归系数， \epsilon 是误差项。

逻辑回归：模型形式为
P(Y=1|X) = \frac{1}{1 + e^{-(\beta_0 + \beta_1X_1 + \beta_2X_2 + ... + \beta_nX_n)}}，其中 P(Y=1|X) 表示在给定自变量 X 的条件下，事件 Y=1 发生的概率。