逻辑回归(一) - - - 理论与sigmoid函数

# 关于逻辑回归的一些理论基础，以及sigmoid函数的可视化图

# 线性回归的一点理解：
'''
  h(s) = s_0 + s_1 * x_1 + s_2 * x_2 + ... + s_n * x_n
  用过去的已知的数据，把X带入得到预测的Y_s,根据已知的Y，会找到合适的[s_0, s_1, _s2, ... , s_n]
  把要预测的数据X_new带入到h(s),若X_new中含有w个样本，则会得到w个预测的y值
'''

# 逻辑回归与线性回归的区别：
'''
  线性回归得到的是预测的具体问题预测的数值，而逻辑回归是将线性回归得到的预测值，通过sigmoid函数，
  把预测的值映射到[0, 1]区间内，像概率一样，越接近于1，那么当前样本越有可能是预测的当前类别
  这么看逻辑回归更适合做分类问题，线性回归适合做数值的回归分析与预测
'''
# sigmoid函数的绘制

import matplotlib.pyplot as plt
import numpy as np

def sigmoid(z):
    return 1.0/(1.0 + np.exp(-z))

# 注：z中的值，步长设置的越大，得到的曲线越不平滑，start与end的取值范围越大，曲线越靠近y轴
z = np.arange(-60, 60, 0.1)
p = sigmoid(z)
plt.plot(z, p)

# 画一条竖直线，如果不设定x的值，则默认是0
plt.axvline(x=0, color='k')
plt.axhspan(0.0, 1.0, facecolor='0.7', alpha=0.4)

# 画一条水平线，如果不设定y的值，则默认是0
plt.axhline(y=1, ls='dotted', color='0.4')
plt.axhline(y=0.5, ls='dotted', color='k')
plt.ylim(-0.1, 1.1)

# 确定y轴的坐标
plt.yticks([0.0, 0.5, 1.0])
plt.ylabel('$\phi(z)$')
plt.xlabel('z')
ax = plt.gca()
ax.grid(True)
plt.show()

参考博客：https://www.cnblogs.com/judejie/p/9016206.html