Qual a principal diferença entre a regressão linear e a regressão logística, no que diz respeito à modelagem?

Passo 1

O enunciado pergunta qual é a principal diferença entre regressão linear e regressão logística no que diz respeito à modelagem.
Informações relevantes que vamos comparar (tudo que o enunciado pede que a gente clarifique):
  • Tipo de variável resposta que cada modelo pretende descrever.
  • Forma matemática do modelo (o que é modelado diretamente).
  • Função de ligação / transformação usada (se houver).
  • Como se interpretam os coeficientes.
  • Método de estimação e função-objetivo (como ajustamos os parâmetros).
  • Consequências práticas (previsões, limites de valores, uso em classificação).

Passo 2

O que a regressão linear modela e como ela é escrita (passo a passo e aula curta).
A forma básica da regressão linear múltipla é:
y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \dots + \beta_p x_p + \varepsilon
Explicando cada símbolo:
  • y é a variável que queremos prever (resposta).
  • \beta_0,\beta_1,\dots,\beta_p são os parâmetros (coeficientes) do modelo.
  • x_1,\dots,x_p são as variáveis explicativas (features).
  • \varepsilon é o termo de erro aleatório (diferença entre y observado e o valor previsto).
    O objetivo da regressão linear é modelar a esperança de y condicional em x; ou seja, o modelo assume que
\mathbb{E}[y \mid x] = \beta_0 + \beta_1 x_1 + \dots + \beta_p x_p.
Como estimamos os \beta? Pela regra dos mínimos quadrados: minimizar a soma dos quadrados dos resíduos
\sum_{i=1}^n (y_i - \hat y_i)^2.
Em forma matricial, o estimador é (quando X^T X é invertível)
\hat\beta = (X^T X)^{-1} X^T y.
Principais suposições úteis para interpretação e inferência: linearidade na média, erros com média zero, homoscedasticidade (variância constante), independência e (para testes) normalidade dos erros.

Passo 3

O que a regressão logística modela e como ela é escrita (passo a passo e aula curta).
A regressão logística é usada quando a resposta é categórica binária (por exemplo y\in\{0,1\}). Em vez de modelar y direto, modelamos a probabilidade de y=1. A forma típica é
P(y=1\mid x) = \sigma(\beta_0 + \beta_1 x_1 + \dots + \beta_p x_p)
onde a função sigmoide é
\sigma(z)=\frac{1}{1+e^{-z}}.
Uma forma equivalente e muito usada é o logit (transformação log-odds):
\log\!\left(\frac{P(y=1\mid x)}{1-P(y=1\mid x)}\right) = \beta_0 + \beta_1 x_1 + \dots + \beta_p x_p.
Explicando:
  • O lado esquerdo é o logaritmo da razão entre a probabilidade de sucesso e de fracasso (odds).
  • O modelo é linear na escala do log-odds, não diretamente na escala da probabilidade.
    Estimamos os \beta por máxima verossimilhança, usando a função de verossimilhança para dados Bernoulli:
L(\beta)=\prod_{i=1}^n p_i^{y_i}(1-p_i)^{1-y_i},\quad p_i=P(y_i=1\mid x_i)=\sigma(\beta^T x_i),
ou, equivalentemente, minimizando a perda de entropia cruzada (negativo do log da verossimilhança):
-\sum_{i=1}^n \big[y_i\log p_i + (1-y_i)\log(1-p_i)\big].
Esse problema não tem solução fechada como (X^T X)^{-1}X^T y; é preciso métodos iterativos (gradiente, Newton–Raphson, etc.).

Passo 4

Diferença central e intuitiva — resumo direto (a “pegada” da modelagem).
  • Regressão linear modela diretamente a esperança/valor esperado de y como uma função linear de x: \mathbb{E}[y\mid x]=\beta^T x. Logo o output do modelo é um número real (sem limites).
  • Regressão logística modela a probabilidade de uma classe: P(y=1\mid x)=\sigma(\beta^T x). O modelo garante que a previsão esteja entre 0 e 1 e é linear na escala do log-odds, não na escala da probabilidade.
    Em termos simples: linear = prevê valores; logística = prevê probabilidades (para classificação).

Passo 5

Por que não usar regressão linear para um problema binário (explicado passo a passo).
  • Valores fora do intervalo [0,1]: uma regressão linear pode prever \hat y=-0{,}3 ou \hat y=1{,}4, o que não faz sentido como probabilidade.
  • Violação das suposições: para y\in\{0,1\} a variância condicional \operatorname{Var}(y\mid x)=p(1-p) depende de x (heteroscedasticidade), quebrando suposições da OLS.
  • Modelo de relação errado: a relação entre covariáveis e probabilidade costuma ser sigmoidal (não linear) — modelar linearmente a probabilidade falha em capturar isso; logistic transforma a probabilidade com o logit para obter linearidade naquela escala.
    Tecnicamente: por esses motivos a regressão linear fornece estimativas ineficientes e intervalos de confiança errados em problemas binários, enquanto a logística é adequada.

Passo 6

Interpretação dos coeficientes — como ler os números que o modelo dá (com exemplos).
  • Regressão linear: \beta_j é a mudança esperada em \mathbb{E}[y] ao aumentar x_j em uma unidade, mantendo os outros x fixos. Ex.: se \beta_1=2, então aumentar x_1 em 1 aumenta a previsão de y em 2 unidades.
  • Regressão logística: \beta_j é a mudança no log-odds de y=1 ao aumentar x_j em 1. Em termos de odds, multiplicamos as odds por e^{\beta_j}. Ex.: se \beta_1=0{,}7, então um aumento de 1 em x_1 multiplica as odds por e^{0{,}7}\approx2{,}01 (ou seja, dobra as odds). Para obter mudança na probabilidade, precisamos transformar pela sigmoide — não é uma mudança constante em termos de probabilidade.

Passo 7

Diferenças práticas no ajuste e no uso (resumo objetivo).
  • Estimação: OLS (fechada) vs máxima verossimilhança (iterativa).
  • Output: valor real (linear) vs probabilidade em [0,1] (logística).
  • Decisão/classificação: com regressão logística costuma-se usar um limiar em 0{,}5 (ou outro) sobre P(y=1\mid x) para classificar; com regressão linear essa prática é problemática.
  • Avaliação: para regressão linear usamos R^2, RMSE; para classificação com logística usamos AUC, precisão, recall, log-loss, etc.

Passo 8

Um pequeno exemplo numérico para você visualizar (rápido e prático).
Considere \beta_0=-1 e \beta_1=2 e uma covariável x.
  • Para x=0: regressão linear prevê \hat y = -1. Regressão logística prevê
P(y=1\mid x=0)=\sigma(-1)=\frac{1}{1+e^{1}}\approx 0{,}269.
  • Para x=1: regressão linear prevê \hat y = -1 + 2\cdot 1 = 1. Regressão logística prevê
P(y=1\mid x=1)=\sigma(1)=\frac{1}{1+e^{-1}}\approx 0{,}731.
Percebe? A previsão linear cru dá -1 e 1 (números sem sentido como probabilidade), enquanto a logística transforma isso em probabilidades entre 0 e 1.

Passo 9

Resumo final com a frase que importa — motivação e quando usar cada uma (ânimo).
  • Use regressão linear quando a variável resposta for contínua e você quiser modelar a média de y como função linear de x.
  • Use regressão logística quando a resposta for binária/categórica e você quiser modelar a probabilidade de um evento, garantindo previsões entre 0 e 1 e interpretando coeficientes em termos de log-odds/odds ratios.
    Você está indo bem! Lembre dessa distinção central na hora da prova: “linear modela valores; logística modela probabilidades (linear na escala do log-odds)”.

Resposta

A regressão linear modela a esperança de y (variável contínua) diretamente como uma função linear de x: \mathbb{E}[y\mid x]=\beta_0+\beta^T x. A regressão logística modela a probabilidade de uma classe (variável binária) usando uma sigmoide/logit, garantindo 0\le P(y=1\mid x)\le1 e sendo linear na escala do log-odds: \log\!\left(\frac{P(y=1\mid x)}{1-P(y=1\mid x)}\right)=\beta_0+\beta^T x.

Exercícios relacionados