La régression logistique est utilisée dans divers domaines, y compris l`apprentissage automatique, la plupart des domaines médicaux et les sciences sociales. Par exemple, le score de sévérité des traumatismes et des blessures (TRISS), qui est largement utilisé pour prédire la mortalité chez les patients blessés, a été développé à l`origine par Boyd et coll. à l`aide de la régression logistique. [3] de nombreuses autres échelles médicales utilisées pour évaluer la sévérité d`un patient ont été développées en utilisant la régression logistique. 4 5 6 [7] la régression logistique peut être utilisée pour prédire le risque de développer une maladie donnée (p. ex. diabète; Cardiopathie coronarienne), en fonction des caractéristiques observées du patient (âge, sexe, indice de masse corporelle, résultats de divers tests sanguins, etc.). 8 [9] un autre exemple pourrait être de prédire si un électeur indien votera BJP ou Trinamool Congress ou Left front ou Congress, basé sur l`âge, le revenu, le sexe, la race, l`état de résidence, les votes lors des élections précédentes, etc. [10] la technique peut également être utilisée dans l`ingénierie, en particulier pour prédire la probabilité de défaillance d`un processus, d`un système ou d`un produit donné. 11 [12] il est également utilisé dans les applications de marketing telles que la prédiction de la propension d`un client à acheter un produit ou à arrêter un abonnement, etc. [13] en économie, il peut être utilisé pour prédire la probabilité d`une personne de choisir d`être dans la main-d`œuvre, et une entreprise demande serait de prédire la probabilité qu`un propriétaire d`une maison défaille sur une hypothèque.

Les champs aléatoires conditionnels, une extension de la régression logistique aux données séquentielles, sont utilisés dans le traitement du langage naturel. L`approche bayésienne est attrayante pour sa capacité à incorporer des connaissances préalables dans l`inférence statistique; et la régression logistique peut fournir un modèle simple mais précis pour les prédictions avec des probabilités étalonnées sans extrapoler les jeux de données en entrée à une dimension complexe et supérieure. La régression logistique bayésienne utilise les meilleures caractéristiques des deux méthodes en employant les informations préalables sur la probabilité de succès et en optimisant de manière récursive les paramètres de prédiction pour obtenir la classification/prédiction optimale plutôt que simple coefficient de régression pour les classificateurs [42-44]. Le paquet BBR (logiciel de régression logistique bayésienne) [29] a été utilisé pour former le modèle et classer les bifurcations pour les dichotomies et les polytomies.