前面我们介绍了一种重要的适用于0-1型因变量的回归分析模型：逻辑回归。从理论上讲，逻辑回归是广义线性回归模型的一个特例。从名字上就可以感受到，这个模型的本质就是某种线性模型。线性模型有很多优良的性质。例如：非常简单，而且参数个数少，因此能够支持相对比较小的样本估计。同时，因为模型结构简单，参数估计结果也很好解读。这些都是线性模型的优点。但是，天下没有免费的午餐，在统计模型的构建过程中，凡是优点就一定伴随着缺点。各种线性模型（包括广义线性模型）的主要缺点是什么呢？答：不灵活。因为这是一个线性模型，因此它的函数形式单一，难以描述更加灵活的函数形态（例如：非单调的相关关系）。而现实生活中碰到的问题，可能非常复杂。当面对复杂问题的时候，其实我们仍然会优先考虑相对简单的线性模型，为什么？因为样本量常常不够大。但是，随着计算机技术的进步，人们能够采集到越来越多的样本，这就为建立更加复杂的非线性模型提供了可能，而各种各样的非线性模型，成就了机器学习（或者统计学习）这个特定的领域。
