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？
①逻辑回归：是一种广义的线性回归分析模型。逻辑回归就是一个分类的算法，常见用在二分类当中，就是把我们的输入值在线性回归中转化为预测值，然后映射到Sigmoid 函数中，讲值作为x轴的变量，y轴作为一个概率，预测值对应的Y值越接近于1说明完全符合预测结果。但是拟合的越好，不代表效果就越好，有可能拟合过度。
②区别：首先逻辑回归处理的是分类问题，线性回归处理的是回归问题，这是两者最本质的区别。
2.自述一下什么是过拟合和欠拟合？
①过拟合:训练模型过于复杂意思就是学到了很多没必要的特征，训练误差和测试误差之间的差距太大，导致在验证数据集以及测试数据集中表现不佳。
②欠拟合:训练模型过于简单意思就是训练样本被提取的特征比较少，训练模型不能在训练集上获得足够低的误差，导致训练出来的模型不能很好地匹配，表现得很差，甚至样本本身都无法高效的识别。
3.思考一下逻辑回归的应用场景有哪些？
课堂案例：二分类问题：广告点击率、判断垃圾邮件、是否患病、金融诈骗、虚假账号。
应用场景：常用于数据挖掘，疾病自动诊断，经济预测等领域。