当因变量（Y变量、因变量、响应变量等）仅有两种可能的结果时，会使用逻辑回归，其目的是建模观察到“成功”的概率。在此意义上，“成功”仅指这两种可能结果中的一种，具体应基于您的实验设计。 与统计学中的许多术语一样，此处的“成功”含义与我们通常所用的略有不同。例如，在研究人群中某种罕见疾病的发病率时，您可能关注的是个体患上该疾病的概率。在这种情况下，仅为了构建模型，您会将患病视为“成功”。

再看另一个例子：假设您获得了一组数据集，其中包含学生为考试所花费的时间以及是否通过考试的结果。您可能会预期，学生为考试准备的时间越长，通过考试的概率就越高。 在此情境下，“成功”即指学生通过考试。然而，逻辑回归中的Y变量可以是任何内容，只要它只能取两个可能值中的一个：是/否、通过/未通过、存活/死亡等。换言之，结果变量必须是“二元”的。 通常，这些结果会被编码为“1”（表示“成功”）或“0”（表示“失败”）。请注意，在我们的例子中，如果给出了每位学生的成绩（以百分比形式），您可能会考虑进行线性或非线性回归。然而，由于我们的结果是二元的，逻辑回归才是合适的选择。

从某种意义上说，简单逻辑回归可以视为简单线性回归的扩展，用于处理二元结果的情况：简单线性回归和简单逻辑回归都构建了模型，通过这些模型，您可以根据已知的单一输入值（X）来预测结果值（Y）。正因如此，在思考线性回归与逻辑回归的异同时，有两点非常重要：

1.当结果变量为连续型时，线性回归适用；当结果变量为二分类时，逻辑回归适用。若试图对二分类结果变量使用线性回归，结果将无法（很好地）奏效。

2.逻辑回归生成的模型允许您根据给定的 X 值预测成功的概率。输入到模型中的数据仅包含实际结果（在给定的 X 值下，观察到成功或未观察到成功）。

以下各节将对这两个主题进行更详细的讨论。