ロジスティック回帰がロジスティック分類と呼ばれないのはなぜですか？

ロジスティック回帰はカテゴリ依存変数を扱う統計的分類モデルなので、なぜロジスティック分類と呼ばれないのですか？「回帰」名は、連続従属変数を扱うモデルに予約すべきではありませんか？

ロジスティック回帰は、それ自体では分類アルゴリズムではありません。結果の予測確率を二分するのは、決定ルールと組み合わせた分類アルゴリズムのみです。ロジスティック回帰は、クラスメンバシップの確率を特徴の（変換）多重線形関数として推定するため、回帰モデルです。

フランク・ハレルは、ロジスティック回帰を分類アルゴリズムと見なすことの落とし穴を列挙した多数の回答をこのWebサイトに投稿しています。その中で：

• 分類は決定です。最適な決定を行うには、効用関数を評価する必要があります。これは、結果の不確実性、つまり確率を考慮する必要があることを意味します。≈
• 誤分類のコストは、すべてのユニットで均一ではありません。
• カットオフを使用しないでください。
• 適切なスコアリングルールを使用します。
• 問題は、実際には分類ではなくリスクの推定です。

私の記憶が正しければ、彼はかつてこれらの（そしてもっと！）ポイントをさらに詳しく説明する回帰戦略に関する本を教えてくれましたが、その特定の投稿を見つけることができないようです。

要約すると、回帰は条件付き期待値を計算する問題です。この予想によってとられる形式は、データがどのように生成されたかの仮定に応じて異なります。$E[Y|X=x]$

• （Y | X = x）が正規分布であると仮定すると、古典的な線形回帰が得られます。
• ポアソン分布を仮定すると、ポアソン回帰が得られます。
• ベルヌーイ分布がロジスティック回帰をもたらすと仮定します。

「回帰」という用語は、これよりも一般的に使用されており、特定の分位数を推定する分位点回帰のようなアプローチを含みます。$(Y|X=x)$

既に提供されている良い答えとは別に、ロジスティック回帰では、0から1の範囲の確率（連続値）が予測されます。