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？
答：(1)定义：逻辑回归（Logistic Regression）是一种用于解决二分类（0 or 1）问题的机器学习方法，用于估计某种事物的可能性。比如某用户购买某商品的可能性，某病人患有某种疾病的可能性，以及某广告被用户点击的可能性等。 注意，这里用的是“可能性”，而非数学上的“概率”，logisitc回归的结果并非数学定义中的概率值，不可以直接当做概率值来用。该结果往往用于和其他特征值加权求和，而非直接相乘。
(2)与线性回归对比：1、线性回归使用的损失函数为均方误差，逻辑回归使用的是对数似然损失。
2、算法优化：线性回归为正规方程（处理量少）、梯度下降（处理量大）；逻辑回归只是梯度下降。
3、线性回归要求变量服从正态分布，逻辑回归对变量分布没有要求。
4、线性回归要求因变量是连续性数值变量，而逻辑回归要求因变量是分类型变量。
5、逻辑回归是分析因变量取某个值的概率与自变量的关系，而线性回归是直接分析因变量与自变量的关系。
2.自述一下什么是过拟合和欠拟合？
答： 过拟合：给定的数据集相对过于简单，使得模型在拟合函数时过分地考虑了噪声等不必要的数据间的关联。或者说相对于给定数据集，模型过于复杂、拟合能力过强。
欠拟合：给定数据集，欠拟合的成因大多是模型不够复杂、拟合函数的能力不够。为此可以增加迭代次数继续训练、尝试换用其他算法、增加模型的参数数量和复杂程度，或者采用Boosting等集成方法。
3.思考一下逻辑回归的应用场景有哪些？
答：常用于数据挖掘，疾病自动诊断，经济预测等领域场景。