请记住，在线性回归中，预测方程旨在使残差平方和最小（也就是说，它会选择一条通过数据点的直线，使得该直线与所有数据点之间垂直距离的平方和最小）。 在逻辑回归中，所有观察值都被编码为 0（失败）或 1（成功）。与简单线性回归类似，简单逻辑回归也只有一个自变量（X）。 逻辑回归的目标是预测观测到 0 或 1 的概率，而如果仅仅通过最小化各点到直线的距离平方和来拟合一条直线，将会导致一个毫无意义的模型（相关内容已在上一节“简单逻辑回归与简单线性回归的区别”中讨论）。

那么，模型究竟是如何拟合的呢？该模型通过最大化统计学家所称的“似然函数”来实现。从非常通用的角度来看，这个最大化似然的过程可以理解为：选择最有可能产生观测数据的模型系数估计值。 因此，需要注意的是，逻辑回归模型在拟合（或分类）输入数据方面的表现通常优于对新数据结果的准确预测。

关于逻辑回归还有另一个关键点需要记住：与线性回归不同，逻辑回归的似然最大化需要迭代求解器，这意味着它会选择一些初始值，并“沿山向上”采取有根据的步骤，朝着最大的似然值迈进，从而确定最大值。 这也意味着——与线性回归不同，但与非线性回归相似——在某些情况下，针对给定数据集无法确定简单逻辑回归模型。用“统计学家的术语”来说，我们会说无法确定最大似然值，或者简单地说，模型未收敛。

简单逻辑回归模型无法收敛通常有几个常见原因，这些原因将在另一页面中分别进行讨论。