1、针对设计：二分类
Logistic 回归最初是为二分类问题设计的，
Logistic 回归基于概率，通过 Sigmoid 函数转换输入特征的线性组合，将任意实数映射到 [0, 1] 区间内。
通过引入一个决策规则（通常是概率的阈值，如 0.5），将预测的概率转换为两个类别中的一个，使其可以直接应用于二分类问题。
这样的输出可以解释为预测某个类别的概率，是处理二分类问题的理想选择。
二分类任务常用的评估指标：准确率（Accuracy）、查准率（Precision）、召回率（Recall）、F1 分数、AUC-ROC。
2、演进：多分类
但通过一些策略，如 “一对其余” （One-vs-Rest）和 Softmax 函数 ，它可以成功应用于多分类问题。这种灵活性进一步凸显了逻辑回归在实际应用中的价值
3、用什么优化算法？
Logistic 回归中使用的优化算法：梯度下降法、牛顿法（近似解）
4、如何平衡模型的拟合度和复杂度？
调整正则化强度（C），以优化泛化能力。
选择 L1 正则化、L2 正则化，或是它们的结合（即 Elastic Net 正则化），均依赖于具体问题、数据集特点以及模型性能要求。
Logistic 回归为什么适用于二分类问题？。
