正确答案是：B: 最大似然估计。

### 专业分析

逻辑回归是一种广泛用于分类问题的统计模型，其目标是估计一个离散因变量的概率。为了实现这一目标，我们需要估计模型的参数。逻辑回归不是通过最小二乘法（通常用于线性回归）进行参数估计，而是使用最大似然估计（MLE）。

#### 最大似然估计的原因：

1. **概率建模的性质**：
- 逻辑回归模型设计用来估计事件发生的概率，其本质是一个概率模型。最大似然估计是一种估计概率模型参数的自然方法。MLE 通过最大化观测数据在给定模型参数时的似然函数来找到最优参数。

2. **二项分布适用性**：
- 二分类逻辑回归假定因变量服从二项分布。在这种情况下，最小二乘法不再适用，因为它假定误差服从正态分布且方差不随预测值变化。MLE 更适合处理这样的假设。

3. **解决非线性问题**：
- 逻辑回归中的链接函数（如 logit 函数）是非线性的，导致模型不是线性的（在参数上）。MLE 能够有效处理这样的非线性关系。

### 其他方法的简单分析

- **最小二乘法**：主要用于线性回归模型，不适合非线性概率模型如逻辑回归。

- **贝叶斯估计**：是一种不同于频率学派的方法，通常引入先验分布，通过后验分布来估计参数。虽适用于逻辑回归但不如 MLE 常用。

- **有矩估计**：用于估计模型参数的方法，极少用于逻辑回归。

用最大似然估计方法，可以充分利用数据的概率结构特点，从而得到合理的参数估计，使得模型更具预测能力。