什么是 Logit？

Logit 是一种把事件发生概率转换为几率对数的函数，中文常译作“分对数”或“洛吉”。它的核心公式是：logit(p)=ln(p/(1-p))。其中，p 表示事件发生的概率，1-p 表示事件不发生的概率。

在这个公式里，p/(1-p) 是事件发生相对于不发生的几率，Logit 则是这个几率的自然对数。换句话说，Logit 不直接表示概率本身，而是把概率改写到另一个更便于建模和比较的数值尺度上。

要点： 概率回答“发生的可能性有多大”，几率回答“发生相对于不发生有多强”，Logit 则是在几率的基础上取自然对数。

Logit 的命名通常追溯到 Joseph Berkson 在 1944 年对该函数的使用与命名。在现代统计学习和机器学习语境中，理解 Logit 通常有助于继续理解逻辑回归、Sigmoid 和二分类模型输出。

从概率到几率再到 Logit

概率、几率和 Logit 描述的是同一件事的不同表达方式。概率关注事件发生在全部可能结果中的比例；几率关注事件发生与不发生之间的相对关系；Logit 则进一步对几率取自然对数。

以事件发生概率 p 为例：

如果 p=0.5，则几率为 1，Logit 值为 0，表示发生与不发生在几率上相当。如果 p=0.8，则几率为 4，Logit 值约为 1.39，表示发生相对于不发生更占优势。如果 p=0.2，则几率为 0.25，Logit 值约为 -1.39，表示不发生更占优势。

Logit 的作用可以理解为：把原本压缩在 0 到 1 之间的概率，转换为可正可负的数值尺度。这样做有助于在模型中描述输入因素与事件发生可能性之间的关系。

Logit 与 Sigmoid 有什么关系？

Logit 函数和 Sigmoid 函数互为反函数。如果一个值是 Sigmoid 函数的输出，那么它的 Logit 值就是 Sigmoid 函数的输入；反过来，如果一个值经过 Sigmoid 得到概率，这个概率再经过 Logit 也可以回到原来的输入尺度。

可以用一句话概括二者关系：Logit 把概率拉回到实数空间，Sigmoid 把实数映射为概率。

在二分类模型中，这种互逆关系很重要。模型内部可以处理一个未必直接表现为概率的数值关系，而最终判断时又需要得到某类事件发生的可能性。Logit 和 Sigmoid 正好帮助理解这两个尺度之间的转换。

Logit 在逻辑回归中起什么作用？

逻辑回归是一种用于分类的模型，常用于解决二分类问题，例如结果为 0 或 1 的任务。虽然它的名称里有“回归”，但它通常用于估计某类事件发生的可能性，并据此完成分类判断，而不是输出连续数值预测。

从机器学习角度看，逻辑回归属于监督式机器学习中的分类算法，可用于预测离散或分类结果。它通过数学关系把输入因子与目标结果联系起来，并根据这种关系预测类别。

Logit 在这里的价值主要体现在概率解释上：

• 逻辑回归关注某个事件发生的可能性；
• 二分类问题需要把输入特征与“属于某类”或“不属于某类”联系起来；
• Logit 和 Sigmoid 的互逆关系，可以帮助理解模型数值与概率输出之间的转换过程。

因此，学习逻辑回归时经常会遇到 Logit。它不是逻辑回归本身，而是理解概率、几率和分类判断之间关系的重要数学工具。

Logit、概率和逻辑回归有什么区别？

Logit、概率和逻辑回归经常一起出现，但它们不是同一层级的概念。

可以把它们放在一个层次关系中理解：概率是结果表达，Logit 是概率变换，逻辑回归是使用相关数学关系进行分类预测的模型。对于初学者来说，先理解概率和几率，再理解 Logit 与 Sigmoid，最后再看逻辑回归，会更容易把这些概念串起来。

哪些场景需要理解 Logit？

理解 Logit 的价值不只在公式本身，更在于它能帮助读者看懂二分类模型中的概率转换和分类判断。

在实际学习路径中，可以用下面的顺序检查自己是否理解到位：

• 看到 p 时，先确认它表示事件发生概率；
• 看到 p/(1-p) 时，理解它表示发生与不发生的几率；
• 看到 ln(p/(1-p)) 时，知道它就是 Logit；
• 看到 Sigmoid 时，知道它与 Logit 互为反函数；
• 看到逻辑回归时，理解它是用于分类预测的模型，常用于二分类问题。