逻辑回归是一种已知的统计技术，用于对二进制结果进行建模。
使用不同的学习技术，在统计研究中，逻辑回归有多种实现。 Microsoft逻辑回归算法是使用Microsoft神经网络算法的变体实现的。 此算法共享神经网络的许多品质，但更易于训练。
逻辑回归的一个优点是，算法高度灵活，采用任何类型的输入，并支持多种不同的分析任务：
使用人口统计来预测结果，例如特定疾病的风险。
探索并加权导致结果的因素。 例如，找到影响客户对商店进行重复访问的因素。
对具有许多属性的文档、电子邮件或其他对象进行分类。
示例：
考虑一组具有相似人口统计信息并从 Adventure Works 公司购买产品的人员。 通过对与特定结果（例如购买目标产品）相关的数据建模，可以查看人口统计信息如何促成某人购买目标产品的可能性。
算法的工作原理
逻辑回归是一种已知的统计方法，用于确定多个因素对结果的贡献。 Microsoft实现使用修改后的神经网络对输入和输出之间的关系进行建模。 测量每个输入对输出的影响，并在完成的模型中加权各种输入。 名称逻辑回归来自使用逻辑转换压缩数据曲线的事实，以尽量减少极端值的影响。 有关实现以及如何自定义算法的详细信息，请参阅 Microsoft逻辑回归算法技术参考。
逻辑回归模型所需的数据
准备用于训练逻辑回归模型的数据时，应了解特定算法的要求，包括需要多少数据以及如何使用数据。
逻辑回归模型的要求如下：
单个键列 每个模型必须包含一个唯一标识每个记录的数字或文本列。 不允许使用复合键。
输入列 每个模型必须至少包含一个输入列，其中包含在分析中用作因素的值。 可以根据需要拥有任意数量的输入列，但根据每列中的值数，增加额外列可以增加训练模型所需的时间。
至少一个可预测列 该模型必须至少包含任何数据类型的一个可预测列，包括连续数值数据。 可预测列的值也可以视为模型的输入，也可以指定它仅用于预测。 嵌套表不允许用于可预测列，但可用作输入。
有关逻辑回归模型支持的内容类型和数据类型的更多详细信息，请参阅 Microsoft逻辑回归算法技术参考的“要求”部分。
查看逻辑回归模型
若要浏览模型，可以使用Microsoft神经网络查看器或Microsoft泛型内容树查看器。
使用Microsoft神经网络查看器查看模型时，Analysis Services 会显示导致特定结果的因素，按其重要性进行排名。 可以选择要比较的属性和值。 有关详细信息，请参阅 使用Microsoft神经网络查看器浏览模型。
若要了解详细信息，可以使用Microsoft泛型内容树查看器浏览模型详细信息。 逻辑回归模型的模型内容包括一个边际节点，用于显示模型使用的所有输入，以及可预测属性的子网。 有关详细信息，请参阅逻辑回归模型的挖掘模型内容（Analysis Services - 数据挖掘）。
创建预测
训练模型后，可以针对模型内容创建查询以获取回归系数和其他详细信息，也可以使用模型进行预测。
有关如何针对数据挖掘模型创建查询的一般信息，请参阅 数据挖掘查询。
有关逻辑回归模型查询的示例，请参阅 聚类分析模型查询示例。
注解
不支持数据钻取功能。 这是因为挖掘模型中的节点结构不一定直接与基础数据相对应。
不支持创建数据挖掘维度。
支持使用 OLAP 挖掘模型。
不支持使用预测模型标记语言（PMML）来创建挖掘模型。
另请参阅
逻辑回归模型的挖掘模型内容（Analysis Services - 数据挖掘）
Microsoft逻辑回归算法技术参考
逻辑回归模型查询示例