全网最清楚的---逻辑回归（Logistic Regression）

目录

一、什么是逻辑回归？

1.个人理解

2.逻辑回归所处理的数据

2.1.引入sigomd函数

2.2.sigmoid函数公式

2.3.sigmoid函数图像

3.引入梯度下降法

3.1.目的

3.2梯度下降法的数学推导

二、代码实现

1.目标

2.代码文件获取

3.详细代码

3.运行结果图

三、逻辑回归的优缺点

1.优点

2.缺点

---

一、什么是逻辑回归？

1.个人理解

       逻辑回归也称作logistic回归分析，是一种广义的线性回归分析模型，属于机器学习中的监督学习。其推导过程与计算方式类似于回归的过程，但实际上主要是用来解决二分类问题（也可以解决多分类问题）。通过给定的n组数据（训练集）来训练模型，并在训练结束后对给定的一组或多组数据（测试集）进行分类。其中每一组数据都是由p 个指标构成。

2.逻辑回归所处理的数据

       逻辑回归是用来进行分类的，下面我将给出一个简单的例子来解释。      

• 我们给出一个人的 [身高，体重] 这两个指标，然后判断这个人是属于”胖“还是”瘦“这一类。对于这个问题，我们可以先测量n个人的身高、体重以及对应的指标”胖“,"瘦”，把胖和瘦分别用0和1来表示，把这n组数据输入模型进行训练。训练之后再把待分类的一个人的身高、体重输入模型中，看这个人是属于“胖”还是“瘦”
• 如果数据是有两个指标，可以用平面的点来表示数据，其中一个指标为x轴，另一个为y轴；如果数据有三个指标，可以用空间中的点表示数据；如果是p维的话(p>3)，就是p维空间中的点

2.1.引入sigomd函数

sigomd函数的作用：（Sigmoid 函数，也称为 Logistic 函数，是一个常用的激活函数，用于将输入映射到一个取值范围在0和1之间的输出。）

1. 映射到概率值：逻辑回归的目标是预测样本属于某个类别的概率。通过 Sigmoid 函数，将线性回归模型的输出映射到0和1之间的概率值，方便进行分类判断。

2. 可解释性：Sigmoid 函数的输出在0和1之间，可以被解释为样本属于某个类别的概率。例如，输出为0.8表示属于某个类别的概率为80%，输出为0.3表示属于该类别的概率为30%。

3. 阈值确定：根据 Sigmoid 函数的输出概率，我们可以设定一个阈值（通常是0.5），将概率大于等于阈值的样本划分为一个类别，概率小于阈值的样本划分为另一个类别。

4. 平滑性：Sigmoid 函数的输出具有平滑性质，梯度变化较为连续，有利于使用梯度下降等优化算法对模型参数进行更新和优化。

2.2.sigmoid函数公式

2.3.sigmoid函数图像

本质：将线性回归的结果映射到[0,1]区间上，实质上就是完成了二分类任务。

特点：

• 自变量为负无穷到正无穷
• 值域为[0,1]

3.引入梯度下降法

3.1.目的

梯度下降法在逻辑回归中起到了优化模型参数、寻找最优解、调节学习率和处理大规模数据的作用。它是逻辑回归模型中常用的优化算法之一，能够有效地提升模型的性能.

3.2梯度下降法的数学推导

详细内容点击可见（梯度下降法）

二、代码实现

---

1.目标

使用逻辑回归算法对鸢尾花数据集进行分类，并用散点图可视化了分类结果

2.代码文件获取

点击可下载使用：

鸢尾花训练数据.xlsx     鸢尾花测试数据.xlsx

3.详细代码

import pandas as pd

# 读取鸢尾花训练数据
train_data = pd.read_excel('鸢尾花训练数据.xlsx')

# 读取鸢尾花测试数据
test_data = pd.read_excel('鸢尾花测试数据.xlsx')

# 提取训练数据的特征列
train_X = train_data[['萼片长(cm)','萼片宽(cm)','花瓣长(cm)','花瓣宽(cm)']]

# 提取训练数据的目标列
train_Y = train_data[['类型_num']]

from sklearn.linear_model import LogisticRegression

# 创建逻辑回归模型
model = LogisticRegression()

# 使用训练数据拟合模型，即进行训练
model.fit(train_X, train_Y)


# 对训练数据进行预测
train_predictions = model.predict(train_X)

# 打印训练数据的预测结果
print(train_predictions)

import matplotlib.pyplot as plt

# 创建散点图，横坐标为训练数据的"萼片长(cm)"，纵坐标为训练数据的"萼片宽(cm)"，颜色由预测结果决定
plt.scatter(train_X['萼片长(cm)'], train_X['萼片宽(cm)'], c=train_predictions)

# 添加横坐标标签
plt.xlabel('萼片长(cm)')

# 添加纵坐标标签
plt.ylabel('萼片宽(cm)')

# 添加图表标题
plt.title('鸢尾花分类结果')

# 显示图表
plt.show()

3.运行结果图

三、逻辑回归的优缺点

1.优点

• 简单高效：逻辑回归模型相对简单，计算速度快，适用于处理大规模数据集。
• 可解释性强：逻辑回归可以提供概率预测结果，可以解释特征对预测结果的影响程度。
• 对稀疏数据友好：逻辑回归对于具有大量稀疏特征的数据集，表现较好。
• 适用性广泛：逻辑回归可以用于二分类问题，也可以通过扩展到多类别问题。
• 适用于线性可分问题：当样本数据近似线性可分时，逻辑回归模型能够取得较好的分类效果。

2.缺点

• 假设线性关系：逻辑回归是一种线性模型，假设特征和目标之间存在线性关系。当数据具有复杂的非线性关系时，逻辑回归可能表现较差。
• 对异常值敏感：逻辑回归对异常值较为敏感，特别是在特征空间较小的情况下，异常值可能对模型的性能产生较大影响。
• 高度依赖特征选择：逻辑回归的性能和特征选择密切相关。选择不好的特征可能导致模型欠拟合或过拟合。
• 无法处理非线性关系：逻辑回归本身是一种线性分类器，对于非线性关系的数据，逻辑回归模型无法很好地拟合。