如果说SVM是从几何角度寻找边界，那么逻辑回归则是从概率角度建模分类问题。逻辑回归通过Sigmoid函数将线性组合的特征值"压缩"到0到1之间，这个值可以解释为样本属于正类的概率。当概率超过0.5时，我们判断为正类，否则为负类。这与人类的决策方式非常相似——我们往往基于可能性做判断："这个邮件有80%可能是垃圾邮件，所以删除它"。在训练过程中，逻辑回归采用最大似然估计，目标是让模型预测的概率尽可能接近真实标签。换句话说，它试图最大化所有样本被正确分类的概率。虽然名为"回归"，但它实际上是一个分类算法。它的模型结构简单透明，在医疗诊断、金融风控等需要解释性的场景中表现出色。当特征与目标之间的关系较为线性时，逻辑回归的性能甚至可以媲美更复杂的模型，是理解分类问题本质的重要基石。在前面的学习中，我们已经掌握了多种分类算法。但就像医生诊断病情不能仅凭直觉，我们需要建立科学的评估体系来真正了解一个模型的"健康状况"。今天，就让我们一起来探索如何为分类模型做全面"体检"，并开出精准的"调理方案"。