실제로 언급 한 기술적 차이와 관련하여 실질적으로 큰 차이가 있습니다. 로지스틱 회귀 분석은 Bernoulli 분포의 평균 함수를 선형 방정식 ( Beroulli 이벤트 의 확률 p 와 같은 평균)으로 모델링합니다 . 로짓 링크를 평균 ( p ) 확률 (log-odds)의 로그를 분석적으로 도출하여 소위 일반 선형 모형의 반응으로 사용할 수 있습니다. 이 GLM에 대한 모수 추정은 모형 모수에 대한 p- 값과 신뢰 구간을 생성하는 통계 프로세스입니다. 예측 외에도 모델을 인과 추론으로 해석 할 수 있습니다. 이것은 선형 퍼셉트론으로는 달성 할 수없는 것입니다.
퍼셉트론은 로지스틱 회귀의 역 엔지니어링 프로세스입니다. y의 로짓을 취하는 대신 wx 의 역 로짓 (로지스틱) 기능이 필요 하며 모형이나 모수 추정치에 대해 확률 론적 가정을 사용하지 않습니다. 온라인 교육을 통해 모델 가중치 / 모수에 대해 정확히 동일한 추정값을 얻을 수 있지만 p- 값, 신뢰 구간 및 기본 확률 모델이 없기 때문에 인과 추론으로 해석 할 수 없습니다.
간단히 말하면, 로지스틱 회귀는 예측 및 추론을 수행 할 수있는 GLM 인 반면 선형 Perceptron은 예측 만 달성 할 수 있습니다 (이 경우 로지스틱 회귀와 동일하게 수행됨). 이 둘의 차이점은 통계 모델링과 머신 러닝의 근본적인 차이점이기도합니다.