线性回归对数据的要求很严格，比如标签必须满足正态分布，特征之间的多重共线性需要消除等，而现实中很多真实情景的数据无法满足这些要求，因此线性回归在很多现实情境的应用效果有限。 逻辑回归是由线性回归变化而来，因此它对数据也有一些要求；已经有了强大的分类模型决策树，它的分类效力很强，并且不需要对数据做任何预处理。 何况，逻辑回归的原理其实并不简单。要理解逻辑回归，必须要有一定的数学基础，必须理解损失函数，正则化，梯度下降，海森矩阵等这些复杂的概念，才能够对逻辑回归进行调优。其涉及到的数学理念，不比支持向量机少多少。况且，要计算概率，朴素贝叶斯可以计算出真正意义上的概率，要进行分类，机器学习中能够完成二分类功能的模型简直多如牛毛。因此，在数据挖掘，人工智能所涉及到的医疗，教育，人脸识别，语音识别这些领域，逻辑回归没有太多的出场机会。 甚至，在各种机器器学习经典书目中，周志华的《机器器学习》400页仅有一页纸是关于逻辑回归的（还是一页数学公式），《数据挖掘导论》和《Python数据科学手册》中完全没有逻辑回归相关的内容，sklearn中对比各种分类器器的效应也不带逻辑回归玩，可见业界地位。 但是，无论机器器学习领域如何折腾，逻辑回归依然是一个受工业商业热爱，使用广泛的模型，因为它有着不可替代的优点：