【机器学习算法】——逻辑回归

逻辑回归理解

• 逻辑回归是用来二分类的！ 是在线性回归模型之后加了一个激活函数（Sigmoid)将预测值归一化到【0~1】之间，变成概率值。
  

• 一般计算其中一个类别的概率P，自然会得到另一个类别的概率1-P。假如一个人是女生的概率是0.7，是男生的概率是多少呢？自然是0.3。那你会认为这个人是男生还是女生呢？当时是女生！一般认为概率最大的类别为分类结果。

损失函数

• MSE loss：计算数值之间的差异 （线性回归）
• BCE Loss：计算分布之间的差异（逻辑回归）
  
  

代码

# 导入必要的库
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt

# 准备数据
x_data = [1.0], [2.0], [3.0]
y_data = [0], [0], [1]

# 创建并拟合逻辑回归模型
model = LogisticRegression()
model.fit(x_data, y_data )

# 在测试集上进行预测
y_pred = model.predict(x_data)# predict预测的是值，可能是：[0,0,1]

# 计算准确率
accuracy = accuracy_score(y_data, y_pred)
print("Accuracy:", accuracy)


# 绘制决策边界
x = np.linspace(0, 10, 200).reshape(-1,1<