请从模型假设、输出类型和参数估计方法等角度说明线性回归与逻辑回归的主要差异，并结合实际应用场景讨论各自的适用条件。

回答思路

1. 【回答框架 1】线性回归假设因变量为连续数值，输出为通过线性组合直接预测的实数值，通常采用最小二乘法求解参数，模型形式为 y = wx + b。其核心特征是输出空间为实数域，误差项常假设服从正态分布。
2. 【回答框架 2】逻辑回归虽名称含回归，实为分类模型，通过 Sigmoid 函数将线性组合映射到 (0,1) 区间，输出代表正类概率，决策边界为线性。参数估计通常采用极大似然估计，并以交叉熵作为损失函数。
3. 【回答框架 3】适用场景上，线性回归适合预测房价、销售额等连续值问题；逻辑回归适合二分类任务，如信用违约、疾病诊断等，也可扩展至多分类。选择依据主要看目标变量类型：连续则用线性回归，离散类别则用逻辑回归。
4. 【回答框架 4】额外区分点：逻辑回归对特征与对数几率呈线性关系有假设，且输出概率化，便于排序和风险评分；而线性回归对异常值敏感，且预测值可能超出合理范围。
5. 【关键点 1】线性回归输出连续实数，逻辑回归输出类别概率，本质是回归与分类的区别。
6. 【关键点 2】逻辑回归使用 Sigmoid 函数，损失函数为交叉熵，参数估计为极大似然估计。
7. 【关键点 3】线性回归常用最小二乘法，假设误差正态分布，对异常值敏感。
8. 【关键点 4】实际选择依据目标变量类型：连续值选择线性回归，类别标签选择逻辑回归。
9. 【易错点 1】误区：认为逻辑回归是回归模型，实际是分类模型。
10. 【易错点 2】风险：线性回归在分类任务上表现差，因为输出无概率解释且对异常值敏感。
11. 【易错点 3】注意：逻辑回归决策边界是线性的，对非线性问题需特征工程或使用核方法。