逻辑回归的原理

 同样使用梯度下降优化算法，去减少损失函数的值，这样去更新逻辑回归前面对应算法的权重参数，提升原本属于1类别的概率，降低原本是0类别的概率

逻辑回归API

sklearn.linear_model.LogisticRegression(solve='libinear', penalty='12', C= 1.0)

• solver:优化求解方式（默认开源的liblinear库实现，内部使用了坐标轴下降法来迭代优化损失函数）
• sag 根据数据集自动选择，随机平均梯度下降
• penalty 正则化的种类
• C  正则化力度

（默认将类别数量少的当做正例）

LogisticRegression方法相当于SGDClassifier（loss=‘log’，penalty=""）,SGDClassifier实现了一个普通的随机梯度下降学习，也支持平均随机梯度下降法（ASGD），也可以通过设置average=True，而使用LogisticRegression（实现了SAG）

import pandas as pd
import numpy as np
# 1 读取数据
path = "https://archive.ics.uci.edu/ml/machine-learning-databases/"
column_name = [1,2,3,4,5,6,7,8,9]
data = pd.read_csv(path, names=column_name)

jupyter 代码截图运行如下

为什么代码写一点点就开始截图呢 

因为wotailanle  

精确率与召回率

精确率 预测结果为正中真实为正例的比例

召回率 真实为正例的样本中预测结果为正例的比例

（其他预估标准，F1-score，反映了模型的稳健性）

分类评估报告API

sklearn.metrics.classificaction_report(y_true,y_predict,labels=[],target_names=None)

• y_true 真实标准值
• y_predict  估计器预测目标值
• labels  指定类别对应的数字
• target_names  目标类别的名字
• return  每个类别精确率与召回率

# 查看精确率、召回率、F1-score
from sklearn.metrics import classification_report
report = classification_report(y_test, y_predict, labels=[2,4], target_names=["良性", "恶性"])
print(report)

              precision    recall  f1-score   support

          良性       1.00      0.97      0.99       103
          恶性       0.96      1.00      0.98        68

    accuracy                           0.98       171
   macro avg       0.98      0.99      0.98       171
weighted avg       0.98      0.98      0.98       171

Roc AUC曲线

知道TPR与FPR

• TPR = TP/(TP + FN)
• 所有真实类别为1的样本中，预测类别为1的比例
• FPR = FP / (FP + TN)
• 所有真实类别为0的样本中，预测类别为1的比例 

ROC曲线

该曲线的横轴就是FPRate，当二者相等是，表示的意义则是：对于不论真实类别是1还是0的样本，分类器预测为1的概率是相等的，此时AUC为0.5

 AUC指标

AUC的概率意义是随机取一对正负样本得分大于负样本的概率

最小值为0.5 最大值为1 取值越高越好

AUC=1完美分类器，采用这个预测模型时，不管设定什么阈值都能得出完美预测，绝大多数预测的场合，不存在完美分类器

优于随机猜测，这个分类器妥着设定阈值的话，能有预测价值

API

from sklearn.metrics imort roc_auc_score

sklearn.metrics.roc_auc_score(y_true, y_score)

计算roc曲线面积，即auc值

y_true  每个样本的真实类别，必须为0（反例），1（正例）标记

y_score  预测得分，可以是正类的估计概率，置信值或者分类器方法的返回值