很多时候，因变量不是正态分布的情况会出现; 即，违反了正常性的假设。 例如，在因变量为二进制（男/女）时考虑问题。 你还会使用多元回归吗？ 当然不是！

直到1972年，人们才知道如何分析因变量中具有非正态误差分布的数据。 然后，在1972年， John Nelder和Robert Wedderburn以广义线性模型的形式取得了突破。

广义线性模型是线性模型框架的扩展，其中包括非正态的因变量。 一般来说，它们具有三个特征：

1. 这些模型包含输入特征的线性组合。
2. 响应变量的平均值通过链接函数与输入要素的线性组合相关。
3. 响应变量被认为具有属于指数分布族的基础概率分布，例如二项分布，泊松分布或高斯分布。 实际上，当响应变量是二进制时，使用二项分布。 当响应变量表示计数时，使用泊松分布。 并且，当响应变量是连续的时，使用高斯分布。

Logistic回归属于广义线性模型族。 它是一种二进制分类算法，当响应变量为二分（1或0）时使用。 固有地，它返回目标类的概率集。 但是，我们也可以使用概率阈值获得响应标签。 以下是Logistic回归的假设：

1. 响应变量必须遵循二项分布。
2. Logistic回归假设自变量和链接函数（logit）之间存在线性关系。
3. 因变量应具有相互排斥和详尽的类别。

在R中，我们使用glm()函数来应用Logistic回归。 在Python中，我们使用sklearn.linear_model函数来导入和使用Logistic回归。

注意：我们不使用线性回归进行二元分类，因为它的线性函数会导致[0,1]区间之外的概率，从而使它们成为无效的预测