線形回帰 vs. ロジスティック回帰

出力: 数値そのもの（例: 3500万円, 88点）。
モデルの形: データ点との誤差が最も少なくなるように引かれた一本の 直線 。

解説: 直線を引くか、確率のカーブを描くか

「回帰」という言葉が共通していますが、この2つの手法は解決しようとする問題が根本的に異なります。

目的: データ全体の傾向を捉え、連続的な数値を予測すること。
例: 「家の広さ」から「価格」を予測する、「勉強時間」から「テストの点数」を予測するなど。

目的: 名前に反して、主な目的は「分類」です。ある事象が発生する「確率」を予測し、その確率に基づいてカテゴリ分けします。
例: 「勉強時間」から「試験に合格するか/不合格か」を予測する、「メールの内容」から「スパムか/スパムでないか」を分類するなど。