logit 公式理解 逻辑回归核心变换详解

logit 公式本质就是对概率做对数几率变换，它把取值范围在 0 到 1 之间的概率 p，转换成全体实数范围的连续数值，也就是 logit p 等于 ln 括号 p 除以 1 减 p，这里 p 代表事件发生概率，p 除以 1 减 p 叫做几率也叫 odds，含义是事件发生概率和不发生概率的比值，再对这个几率取自然对数就得到 logit 值，这个变换最大价值就是解决概率本身有上下边界的问题，因为概率永远卡在 0 到 1，不能直接和线性模型的无限取值自变量匹配，经过 logit 变换之后，输出变成负无穷到正无穷，就可以接入线性回归形式，这也是逻辑回归能够建立分类模型的核心基础。

基础概念拆解

概率 p，取值区间是 0 小于 p 小于 1，p 等于 0 代表事件一定不发生，p 等于 1 代表事件一定发生，但是在 logit 变换里面 p 等于 0 或者 p 等于 1 的时候，logit 值会趋向负无穷或者正无穷，实际建模的时候不会取端点值。

几率 odds，等于 p 除以 1 减 p，这个数值没有上下限，p 接近 0 的时候 odds 接近 0，p 等于 0.5 的时候 odds 等于 1，p 接近 1 的时候 odds 趋向无穷大，odds 大于 1 代表事件发生可能性更高，odds 小于 1 代表事件不发生可能性更高。

logit 变换，就是对 odds 取自然对数，也就是 ln odds，写成完整表达式就是 logit p 等于 ln p 除以 1 减 p。

反向变换 sigmoid 函数

logit 是正向变换，把概率转成对数几率，它的逆运算就是 sigmoid 函数，也就是逻辑函数，如果已知 logit 值记为 z，那么反向还原概率 p 等于 1 除以 1 加 e 的负 z 次方，这个是逻辑回归预测概率的核心公式，建模的时候线性部分算出 z，再通过 sigmoid 把 z 转回 0 到 1 区间的概率，理解 logit 公式一定要同时记住正向和反向两套转换，不然很容易把两个公式搞混。

logit 公式线性表达逻辑

逻辑回归里面，logit p 等于 b0 加上 b1 乘以 x1 加上 b2 乘以 x2 一直累加，也就是对数几率等于自变量的线性组合，这里 b0 是截距，b1 b2 是回归系数，系数的含义是自变量每增加一个单位，logit 值对应的变化量，同时也可以换算成几率比，也就是 odds ratio，系数每增加 1，odds 会乘以 e 的系数次方，这个是逻辑回归系数解释最重要的考点。

数值示例演算

假设 p 等于 0.5，odds 等于 0.5 除以 0.5 等于 1，logit 等于 ln1 等于 0，这个是中心点，也就是发生和不发生概率相等，logit 值为 0。

假设 p 等于 0.7，odds 等于 0.7 除以 0.3 大约等于 2.333，logit 等于 ln2.333 大约等于 0.847。

假设 p 等于 0.3，odds 等于 0.3 除以 0.7 大约等于 0.4286，logit 等于 ln0.4286 大约等于负 0.847，这里可以看到 p 大于 0.5 时 logit 为正数，p 小于 0.5 时 logit 为负数，p 等于 0.5 时 logit 等于 0，正负号可以快速判断倾向。

核心特点对照表

项目 概率 p logit 值

取值范围 0 到 1 负无穷到正无穷

对称性 p 等于 0.5 对应中心 中心数值是 0

解读方式 直接看发生可能性 对数几率线性可加

反向转换 无 由 sigmoid 还原 p

常见误区说明

第一个误区，很多人误以为 logit 就是概率本身，实际上 logit 是概率经过对数几率变换之后的值，不再是概率，不能直接当成百分比解读。

第二个误区，混淆 logit 和 log，普通 log 是以 10 为底，logit 公式里面固定使用自然对数 ln，底数是 e，不是 10。

第三个误区，认为逻辑回归是回归预测概率，它底层是对 logit 做线性建模，不是直接对概率做线性拟合，概率线性拟合会超出 0 到 1 范围，模型不稳定。

应用场景

logit 公式广泛用于二分类任务，医学风险预测 用户是否转化 信用违约判断，这类任务目标是输出事件发生概率，通过 logit 变换实现线性建模，同时保留概率解释能力，在统计分析里面，logit 变换也常用于分类数据的建模，是广义线性模型里面二元响应模型的标准连接函数。

总结，理解 logit 公式的关键就是抓住三步，先求发生不发生的比值也就是 odds，再对 odds 取自然对数，得到可以线性建模的实数，并且记住逆变换 sigmoid 可以把 logit 重新还原成概率，逻辑回归本质就是假设 logit 和自变量呈线性关系，不是概率和自变量线性相关，掌握这个核心区别，就能看懂逻辑回归全部推导和系数解释。

【常见问题】

问题 1 logit 公式里面为什么一定要使用自然对数

回答 1 logit 公式选用自然对数 ln，是为了后续求导计算方便，同时可以和指数函数 sigmoid 形成互逆关系，方便逻辑回归最大似然求解，如果换成以 10 为底对数，虽然数学上也可以变换，但是就不再是标准 logit 公式。

问题 2 logit 公式计算出来的值可以直接解释成概率吗

回答 2 不可以，logit 公式输出的是对数几率，不是概率，数值可以是负数，概率范围只能在 0 到 1，想要得到概率必须使用 sigmoid 函数反向转换 logit 公式的结果。

问题 3 逻辑回归和 logit 公式是什么关系

回答 2 逻辑回归就是建立 logit 公式和自变量之间的线性等式，也就是假设 logit p 等于自变量线性组合，依靠 logit 公式完成概率到实数空间转换，让线性模型可以处理二分类概率预测任务。

问题 4 当 p 等于 0.5 的时候 logit 公式结果为什么等于 0

回答 4 p 等于 0.5 的时候，odds 等于 0.5 除以 1 减 0.5 等于 1，ln1 等于 0，所以 logit 公式结果等于 0，这个点代表事件发生和不发生概率相等，是 logit 变换的对称中心点。

【免责申明】

本文为机器学习与统计学 logit 公式科普讲解，仅用于学习参考，不同教材对符号表述略有差异，实际建模应用请结合专业统计软件输出规范，模型使用需要结合业务场景验证。