逻辑回归分析实训----乳腺癌肿瘤预测

1.逻辑回归

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，需要一个应变量 y和一个或一个以上的自变量，属于机器学习中的监督学习。逻辑回归是用来进行分类的。例如，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。

2.线性回归vs逻辑回归

区别：

• 它们的应变量不同，线性回归直接将ax+b作为应变量，即y=ax+b,而logistic回归则通过函数sigmoid将ax+b对应到到(0,1)，从而完成概率的估测。
• 结果（y）：对于线性回归，结果是一个标量值（可以是任意一个符合实际的数值），例如 50000，23.98 等；对于逻辑回归，结果是表示不同类的整数，是离散的。
• 特征（x）：对于线性回归，特征都表示为一个列向量；对于涉及二维图像的逻辑回归，特征是一个二维矩阵，矩阵的每个元素表示图像的像素值，每个像素值是属于 0 到 255 之间的整数，其中 0 表示黑色，255 表示白色，其他值表示具有某些灰度阴影。
• 成本函数（成本）：对于线性回归，成本函数是表示每个预测值与其预期结果之间的聚合差异的某些函数；对于逻辑回归，是计算每次预测的正确率或错误