获课：xingkeit.top/16364/

逻辑回归，那个总被低估的老实人

做算法这几年，有一个现象让我挺不舒服的：每当提起逻辑回归，总有人露出那种“就这？”的表情。仿佛在深度学习大行其道的今天，还在用逻辑回归的人要么是跟不上时代，要么是处理的业务太简单。但我恰恰觉得，逻辑回归的真正价值不在于它的预测能力，而在于它强迫你理解数据的能力——这一点，黑盒模型给不了你。

先说分类任务。逻辑回归做的事情其实非常朴素：给定一堆特征，算出一个0到1之间的概率，然后用一个阈值（通常是0.5）决定归到哪一类。这个过程的每一步都是透明的、可解释的、可追溯的。用户问你“为什么判我风险高”，你可以直接说“因为你的收入特征和负债特征的加权和超过了阈值”，每个特征贡献了多少权重一清二楚。换成深度神经网络，你只能给个Shapley值大概解释一下，但那种解释是后验的，甚至有时候是强行自圆其说的。

逻辑回归是线性模型，这既是它的限制，也是它的美德。 限制在于它学不到特征之间复杂的非线性交互，美德在于它不会瞎学——那些在数据里偶然共现但毫无因果关系的模式，逻辑回归很难把它们编码进权重里，而深度学习模型特别擅长捕捉这种虚假相关。在一个风控项目里，我们对比过逻辑回归和某深度模型的长期表现：逻辑回归的AUC稳定在0.78左右，深度模型在训练集上能到0.89，但上线三个月后衰减到了0.74。深度模型学到的那些高阶交互，很大一部分只是训练样本里的统计噪声。

这就引出了特征工程的话题。逻辑回归对特征的要求比较“苛刻”——你喂进去的特征质量，基本决定了模型的天花板。但我觉得这反而是好事。做逻辑回归的特征工程，实际上是一场与业务对话的修行。 你要思考：这个字段有没有业务含义？它的数值范围和目标变量之间的关系是单调的还是非单调的？如果是非单调的，要不要做分箱？要不要做交叉特征？每一个决策背后都需要业务理解来支撑。

我比较欣赏的一种特征工程思路是“先粗糙后精细”。先用原始特征跑一个基线模型，看哪些特征权重显著、哪些几乎为零。显著的保留或增强，为零的并不是直接扔掉——它们可能在原始尺度下不显著，但经过某些变换后会有用。比如年龄这个特征，对是否购买某个产品的影响可能是非线性的：年轻人买，中年人反而不买，老年人又买。直接用年龄数值可能学不出这个U型关系，但把它分箱成年龄段哑变量之后，模式就出来了。这种非线性能力不是模型自己发现的，是你通过特征工程赋予它的。

再说说模型评估。逻辑回归的评估有个容易踩的坑：只看准确率。在类别不平衡的数据集上，准确率是最具有欺骗性的指标。一个极端例子：99%是负例的数据集，你把所有样本都判成负例，准确率也有99%，但这个模型毫无用处。所以我始终认为，对于逻辑回归（或者说任何二分类模型），至少要看三样东西：混淆矩阵、精确率/召回率、ROC曲线的形状。

混淆矩阵告诉你模型在哪些地方犯错——是把正例误判为负例更常见，还是反过来？这两种错误的代价在业务上往往截然不同。精确率和召回率的选择取决于业务场景：做疾病筛查，宁可误报也不能漏报，召回率优先；做精准营销，宁可漏掉一些人也不愿意打扰错人，精确率优先。ROC曲线则给你一个不依赖于阈值的整体评价，AUC值能告诉你模型把正负例区分开的“天赋”如何。

但我最看重的评估方式，其实不那么“机器学习”——是分时段稳定性评估。同一个逻辑回归模型，上个月的权重分布和这个月的权重分布有没有显著变化？各个特征的均值分布有没有漂移？这些监控比AUC的微小波动重要得多。模型在静态测试集上表现好，不代表在动态的生产环境里还能维持。很多模型的衰退不是因为算法落后了，而是因为业务环境变了、用户行为变了，但模型没有跟着变。

回到原点，我想说一个可能不太讨喜的观点：在绝大多数业务场景里，逻辑回归的“可解释性红利”远大于深度学习带来的“性能溢价”。 当你需要跟业务方解释模型行为、需要满足合规审计、需要快速定位模型出问题的原因时，逻辑回归那种透明的线性结构会救你无数次。它或许不是最聪明的模型，但它是最诚实的那一个——它不会在你面前装懂，不会用黑盒掩盖自己的错误判断。而且，你会因为不得不做特征工程而去深入理解业务，这种理解力是任何AutoML工具都给不了你的。逻辑回归教你的不是调参，是读懂数据背后的故事。