【阿里云天池task1】

一、学习知识点概要
基于逻辑回归的分类预测

1.逻辑回归的介绍和应用

1.1 逻辑回归的介绍

1.2 逻辑回归的应用

2.代码流程

3.算法实战

二、学习内容
1 逻辑回归的介绍和应用

1.1 逻辑回归的介绍

逻辑回归（Logistic regression，简称LR）虽然其中带有"回归"两个字，但逻辑回归其实是一个分类模型，并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热，但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。

而对于逻辑回归而且，最为突出的两点就是其模型简单和模型的可解释性强。

逻辑回归模型的优劣势:

优点：实现简单，易于理解和实现；计算代价不高，速度很快，存储资源低；缺点：容易欠拟合，分类精度可能不高

1.2 逻辑回归的应用

逻辑回归模型广泛用于各个领域，包括机器学习，大多数医学领域和社会科学。例如，最初由Boyd 等人开发的创伤和损伤严重度评分（TRISS）被广泛用于预测受伤患者的死亡率，使用逻辑回归 基于观察到的患者特征（年龄，性别，体重指数,各种血液检查的结果等）分析预测发生特定疾病（例如糖尿病，冠心病）的风险。逻辑回归模型也用于预测在给定的过程中，系统或产品的故障的可能性。还用于市场营销应用程序，例如预测客户购买产品或中止订购的倾向等。在经济学中它可以用来预测一个人选择进入劳动力市场的可能性，而商业应用则可以用来预测房主拖欠抵押贷款的可能性。条件随机字段是逻辑回归到顺序数据的扩展，用于自然语言处理。

逻辑回归模型现在同样是很多分类算法的基础组件,比如 分类任务中基于GBDT算法+LR逻辑回归实现的信用卡交易反欺诈，CTR(点击通过率)预估等，其好处在于输出值自然地落在0到1之间，并且有概率意义。模型清晰，有对应的概率学理论基础。它拟合出来的参数就代表了每一个特征(feature)对结果的影响。也是一个理解数据的好工具。但同时由于其本质上是一个线性的分类器，所以不能应对较为复杂的数据情况。很多时候也会拿逻辑回归模型去做一些任务尝试的基线（基础水平）。

2.代码流程

Part1 Demo实践

Step1:库函数导入

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

Part2 基于鸢尾花（iris）数据集的逻辑回归分类实践

Step1:库函数导入

Step2:数据读取/载入

Step3:数据信息简单查看

Step4:可视化描述

Step5:利用 逻辑回归模型 在二分类上 进行训练和预测

Step5:利用 逻辑回归模型 在三分类(多分类)上 进行训练和预测

3.算法实战

3.1 Demo实践

Step1: 库函数导入。

三、学习问题与解答
深度学习软件：TensorFlow，pytorch
 
四、学习思考与总结
逻辑回归原理

Logistic回归虽然名字里带“回归”，但是它实际上是一种分类方法，主要用于两分类问题（即输出只有两种，分别代表两个类别），所以利用了Logistic函数（或称为Sigmoid函数），函数形式为：logi(z)=11+e−z