Logistic回歸又稱Logistic回歸分析，主要在流行病學中應用較多，比較常用的情形是探索某疾病的危險因素，根據危險因素預測某疾病發生的機率，等等。
應用：
一、尋找危險因素，正如上面所說的尋找某一疾病的危險因素等。
二、預測，如果已經建立了Logistic回歸模型，則可以根據模型，預測在不同的自變量情況下，發生某病或某種情況的機率有多大。
三、判别，實際上跟預測有些類似，也是根據Logistic模型，判斷某人屬于某病或屬于某種情況的機率有多大，也就是看一下這個人有多大的可能性是屬于某病。
這是Logistic回歸最常用的三個用途，實際中的Logistic回歸用途是極為廣泛的，Logistic回歸幾乎已經成了流行病學和醫學中最常用的分析方法，因為它與多重線性回歸相比有很多的優勢。
首先，我們先來看一下Logistic回歸的學習過程：
Logistic回歸經常應用在病情預測的問題裡面。假設給出一位病人的相關資訊，那麼我們應該如何預測他将來出現心髒病的可能性呢？
如果我們已經能夠擁有了一些資料，那麼我們就會輕易算出相應的機率：
但是實際上，在大多數情況下，我們不能夠事先擁有這些資料，于是乎我們必須經過抽樣等手段，把對應的圈圈叉叉的資料對應成相應的機率。
對應于上面提到的預測心髒病發生機率的例子，我們可以根據對應特征值
X=（X0,X1,X2,....,Xd)
與其對應權重的乘積之和s，
然後将s轉化成Logistic函數θ(s)：
函數圖像如圖所示：
特别地，θ(0)=12,s=wTx，函數圖像為“S”型曲線。
接下來，我們将會來定義Logistic回歸的錯誤度量。
線上性分類器中，錯誤的情況不是正确就是錯誤（0、1）：
線上性回歸分析中，錯誤的偏內插補點是偏離距離的平方值：
那麼在Logistic回歸中，我們該如何定義呢？
因為f(x)=P(+1|x)，是以
P(y|x)={f(x), 1−f(x),y=+1y=−1
又由于函數性質可知：
1−h(x)=h(−x)
⇓
要想求得Ein(w) 取最小值，那麼對應的梯度應該為0，即∇Ein(w)=0
令
=0
初始化w0,t=0,1,2,3,4…..
(1)計算
，然後用
不斷更新，代入上式計算，直到∇Ein(wt+1)=0 或者最後傳回wt+1作為函數g。
在這過程之中，η的取值也很關鍵，如果，取值過大，函數圖像就會出現震蕩。
如果，取值過小，疊代過程又會變得漫長。
隻有取值恰當，才會盡可能快的求出最優解。