Logit模型，也被稱為邏輯回歸模型，是一種用於處理二元分類問題的統計方法。其通過Logistic函式（也稱為Sigmoid函式）將線性模型的輸出轉換為機率值，從而預測一個觀測值屬於某一類的可能性。Logit模型是社會學、生物統計學、臨床、數量心理學、計量經濟學、市場行銷等領域的常用分析工具。
Logit模型的核心公式為P(Y=1|X=x)=exp(x′β)1+exp(x′β)，其中P(Y=1|X=x)表示在給定自變數X=x的條件下，因變數Y=1的機率。x為選定的解釋變數，β為參數，常用極大似然估計(MLE)進行求解。
Logit模型的特點包括機率表達式的顯性特點，模型的求解速度快，套用方便。當模型選擇集沒有發生變化，而僅僅是各變數的水平發生變化時（如出行時間發生變化），可以方便的求解各選擇枝在新環境下的各選擇枝的被選機率。根據Logit模型的IIA特性（獨立性於無關性），選擇枝的減少或者增加不影響其他各選擇之間被選機率比值的大小，因此，可以直接將需要去掉的選擇枝從模型中去掉，也可將新加入的選擇枝添加到模型中直接用於預測。
此外，Logit模型還廣泛套用於處理多元分類問題，如多類別邏輯回歸模型等。