logistic回归模型的参数呈现线性关系
是的，他是一种广义的线性回归分析模型
当logistic回归模型能够较好地拟合数据时，我们便可以对模型的系数进行解释了，类似于线性回归系数。Logistic回归系数也可以被解释为对应自变量一个单位的变化所导致的因变量上的变化。在logistic回归系列（二）中，我们把logistic回归因变量转化成了比数对数后进行回归，简化了预测问题，有利于描述整个步骤背后的逻辑。
然而，对于更常见的非线性所做的转化来说，自变量在logistic回归中造成的影响有许多解释。
第一种解释方法直接使用了从logistic回归得出的系数。Logistic回归系数简单表示自变量每变化一个单位，预测的发生某事件或者具有某种特征的比数对数的改变。除了因变量的单位代表的是比数对数，系数的解释和普通回归中的系数的解释是完全一样的。
2比数第二种解释将logistic回归系数进行转化，使得自变量影响的是比数而非比数对数。为了找到对比数的影响，把logistic回归系数取指数或者反对数就可以了。例如：
可以得出
第三种解释logistic回归系数的方法涉及将对比数对数或者比数的影响转化为对概率的影响。由于自变量和概率之间的关系并不是线性的而且不可加的，它们之间无法用一个系数来完整描述。对概率带来的影响在指定好某一个特殊值或者某一组特殊值后在能够被确认
正确的。Logistic回归分析属于非线性回归，它是研究因变量为二项分类或多项分类结果与某些影响因素之间关系的一种多重回归分析方法。
多重线性回归模型要求因变量是连续型的正态分布变量，且自变量与因变量呈线性关系。当因变量是分类变量，且自变量与因变量不呈线性关系时，就不能确足多重线性回归模型的适用条件。此时，处理该类资料常用Logistic回归模型。
Logistic回归是一种十分常见的分类模型，是的严格来说这是一个分类模型，之所以叫做回归也是由于历史原因。不同于线性回归中对于参数的推导，我们在这里运用的方式不再是最小二乘法，而是极大似然估计。
