请解释逻辑回归算法的基本概念，并说明在何种分类任务中通常会使用它？

回答思路

1. 【回答框架 1】逻辑回归是一种广义线性模型，用于解决二分类问题。它通过Sigmoid函数将线性组合的输出映射到0到1之间，表示样本属于正类的概率。通常以0.5作为决策边界。
2. 【回答框架 2】逻辑回归的损失函数是交叉熵，通过梯度下降等优化方法求解参数。它输出的是概率值，不仅给出分类结果，还能提供置信度。
3. 【回答框架 3】在分类任务中，逻辑回归适用于需要概率输出的场景，如信用评分、疾病预测、点击率预测等。它要求特征与标签之间存在线性关系，且样本量相对充足。
4. 【回答框架 4】对于多分类问题，可以使用Softmax回归（多项逻辑回归）。逻辑回归模型简单、可解释性强，但拟合能力有限，对于非线性边界需借助特征工程或核技巧。
5. 【关键点 1】逻辑回归是线性分类器，基于Sigmoid函数输出概率。
6. 【关键点 2】交叉熵损失配合梯度下降训练模型。
7. 【关键点 3】常用于二分类，可扩展至多分类。
8. 【关键点 4】适合线性可分离或近似线性分类任务。
9. 【关键点 5】需注意特征相关性和共线性问题。
10. 【易错点 1】将逻辑回归误认为回归算法，实际是分类算法。
11. 【易错点 2】忽略特征缩放，导致梯度下降收敛缓慢。
12. 【易错点 3】在非线性特征空间中直接使用逻辑回归，效果不佳。