我们在上一篇文章中给大家介绍了在数据分析行业中为什么要学习逻辑回归的原因，主要的原因就是逻辑回归是一个十分实用的工具，同时也有着自己的优点，这些优点都是十分明显的。今天我们将继续为大家介绍逻辑回归的优点。

学习逻辑回归的原因是因为逻辑回归是统计中的一个重要工具。而线性回归不仅仅可以用来预测。如果我们有了一个训练好的线性模型，我们可以通过它学习到因变量和自变量之间的关系，或者用更多的机器学习语言来说，我们可以学习到特征变量和目标变量的关系。一个简单的例子，那就是关于房价的预测，通过凑集房屋特征还有实际的房价。我们基于这些数据训练一个线性回归模型，然后得到了很好的结果。通过训练，我们可以发现模型训练后会给每个特征分配相应的权重。如果某个特征权重很高，我们就可以说这个特征比其它的特征更重要。比如说房屋大小的特征，对于房价的变化会有一定概率的权重，因为房屋大小每增加一平米房价就会增加一万。线性回归是一个了解数据以及统计规律的非常强的工具，同理，逻辑回归也可以给每个特征分配各自的权重，通过这个权重，我们就可以了解特征的重要性。

当然，学习逻辑回归的另外一个原因就是因为逻辑回归是学习神经元网络很好的开始，当我们学习神经元网络的时候，最开始学习的逻辑回归对我们帮助很大。我们可以将网络中的每个神经元当作一个逻辑回归，逻辑回归有输入，有权重，和阈值，并可以通过点乘，然后再应用某个非线性的函数得到输出。更多的是，一个神经元网络的最后一层大多数情况下是一个简单的线性模型，可以说，对于神经元网络，有一个很好的方式就是讲神经元网络划分为两部分，一个是代表部分，一个是分类和回归部分。其中代表部分尝试从数据中学习并具有很好的代表性，然后它会帮助分类和回归部分来完成一个线性的分类或者回归任务。

在这篇文章中我们给大家介绍了两种关于逻辑回归的优点，具体来说就是逻辑回归是统计中一个重要的工具，并且逻辑回归也是学习神经元网络的一个极好开端，希望这篇文章能够更好地帮助大家理解逻辑回归。