一、机器学习中的逻辑回归到底是回归还是分类
逻辑回归：y=sigmoid(w'x)
线性回归：y=w'x
也就是逻辑回归比线性回归多了一个sigmoid函数，sigmoid(x)=1/(1+exp(-x))，其实就是对x进行归一化操作，使得sigmoid(x)位于0~1
逻辑回归通常用于二分类模型，目标函数是二类交叉熵，y的值表示属于第1类的概率，用户可以自己设置一个分类阈值。
线性回归用来拟合数据，目标函数是平法和误差
二、为什么logistic（逻谛斯特回归）在机器学习中这么重要？难道现实世界中很多现象服从这种回归吗？
logistic regression(逻谛斯特回归)其实不是一种回归方法，而是一种二分类方法，它的好处是用logistic函数使得0,1分类与参数的关系光滑，从而要优化的表达式是存在导数的。使用logistic regression是因为其能近似分类的阶梯函数，同时是光滑的。
三、用scikit-learn构建逻辑回归，怎么查看模型系数的显著性
恭喜你意识到了sklearn的本质。答案是无法查看，因为sklearn是一个机器学习库而非统计库。
对于做机器学习的人来说，显著性根本不重要，只要在test score高就行了。真要去掉不怎么相关的feature的话，就加L1 regularization