【学习笔记】机器学习算法（一）: 基于逻辑回归的分类预测

【学习笔记】机器学习算法（一）: 基于逻辑回归的分类预测

学习地址：阿里云天池
机器学习中常见的两个问题，一个是回归问题，另一个就是分类问题。本次学习的目标为基于逻辑回归的分类预测。
首先明确，虽然名字中带有回归，但是其本质上是一个分类问题。即使用回归来解决分类问题。

笔记目录：
一、学习知识点概要
二、学习内容
三、学习问题与解答
四、学习思考与总结

一、学习知识点概要

1、首先主要了解了一下逻辑回归这个概念，并对其应用和现状有了认识。其次明确了本次学习的学习目标，掌握理论，熟悉代码。
2、重点学习了代码部分，包括一个Demo实例和一个基于鸢尾花（iris）数据集的分类实例。

二、学习内容

1、Demo代码

代码流程：
Step1:导入库函数。主要用到numpy、matplotlib、seaborn三个库。
Step2:模型训练。
Step3:模型参数查看
Step4:数据和模型可视化
Step5:模型预测

数据集是6个点的坐标，对其进行可视化显示为：

# 可视化决策边界
plt.figure()
plt.scatter(x_fearures[:,0],x_fearures[:,1], c=y_label, s=50, cmap='viridis')
plt.title('Dataset')

nx, ny = 200, 100
x_min, x_max = plt.xlim() 
# xlim()函数功能是：获取或者是设定x座标轴的范围，当前axes上的座标轴。
y_min, y_max = plt.ylim()
x_grid, y_grid = np.meshgrid(np.linspace(x_min, x_max, nx),np.linspace(y_min, y_max, ny))

z_proba = lr_clf.predict_proba(np.c_[x_grid.ravel(), y_grid.ravel()])
# predict_proba返回的是一个n行k列的数组，第i行第j列上的数值是模型预测第i个预测样本的标签为j的概率。
z_proba = z_proba[:, 1].reshape(x_grid.shape)
plt.contour(x_grid,