1.1 名为“回归”的分类器

巨大家优良， 我是你们的细小助手，今天我们来聊一聊逻辑回归这玩意儿分类器。你兴许觉得回归和分类是两回事，但逻辑回归却是个例外哦！它既NengZuo回归，也NengZuo分类，是不是hen神奇呢？

1.2 为啥需要“逻辑”

逻辑回归这玩意儿名字听起来hen麻烦，但其实它hen轻巧松。它之所以叫“逻辑”， 是基本上原因是它用了一个特殊的函数——Sigmoid函数，这玩意儿函数Neng把我们的线性模型输出转换成一个概率值，也就是说是不是属于某个类别的概率。

1.3 sklearn中的“逻辑”

sklearn是一个用Python编写的机器学库， 里面有hen许多有力巨大的分类器，逻辑回归就是其中之一。通过sklearn，我们Neng轻巧松地用逻辑回归进行分类。

2. sklearn.linear_model.LogisticRegression

2.1 二元“逻辑”回归的亏本函数

在逻辑回归中， 我们的目标是找到一组参数，使得预测值与真实实值之间的差异Zui细小。这玩意儿差异被称为亏本函数，常用的亏本函数有交叉熵亏本函数。

2.2 正则化：关键参数penalty & C

正则化是一种别让模型过拟合的手艺。在逻辑回归中，我们用L1正则化和L2正则化来控制模型的麻烦度。penalty参数用于指定正则化项，C参数用于控制正则化的有力度。

2.3 梯度减少：关键参数max_iter

梯度减少是一种优化算法，用于寻找亏本函数的Zui细小值。max_iter参数用于控制梯度减少的迭代次数。

2.4 二元回归与许多元回归：关键参数solver

在sklearn中， 逻辑回归既Neng用于二分类问题，也Neng用于许多分类问题。对于许多分类问题，我们需要设置solver参数为"multi_class"，并选择相应的分类策略。

2.5 逻辑回归中的特征选择

特征选择是搞优良模型性Neng的关键手段。在逻辑回归中，我们Neng用L1正则化进行特征选择，选择对模型贡献较巨大的特征。

3. 训练模型

要训练一个逻辑回归模型， 我们需要调用LogisticRegression类实例化对象的fit方法，传入训练数据Xtrain和目标变量ytrain。

python from sklearn.linear_model import LogisticRegression log_reg = LogisticRegression log_reg.fit

4. 模型参数调整

Logistic Regression模型中有hen许多可调参数， 这些个参数Neng调节模型麻烦度，提升模型性Neng。

4.1 C

C参数用于指定正则化的有力度， C越细小，正则化有力度越巨大；C越巨大，正则化有力度越没劲。

4.2 solver

solver参数用于指定求解算法， 有newton-cg、lbfgs、liblinear、sag和saga等选择。

4.3 penalty

penalty参数用于指定正则化项，有l1和l2两种选择。

5. 模型评估

完成模型训练后需要对模型进行评估，以了解其在测试集上的性Neng。

5.1 Accuracy

Accuracy指标是二分类问题中Zui常用的一种评估指标，表示分类正确的样本占总样本数的比例。

5.2 Precision / Recall / F1-score

Precision、Recall和F1-score是再说一个三种常用的二分类评估指标。其中Precision表示预测为正例中真实正为正例的比例， Recall表示真实正为正例中预测为正例的比例，F1-score是Precision和Recall的调和睦均。

5.3 ROC曲线 / AUC值

ROC曲线是二分类问题中广泛用的评估工具，直观地呈现了模型的性Neng。ROC曲线的横坐标为False Positive Rate，纵坐标为True Positive Rate。AUC值是ROC曲线下面积。

6.

通过本文的介绍，相信你Yi经对逻辑回归有了geng深厚入的了解。在实际应用中，我们需要进行调优，以达到Zui佳的分类效果。希望这篇文章对你有所帮！