数据挖掘实验之用逻辑回归分析uci数据banknote_authentication，附python代码

逻辑回归：（用来做分类的，运用了线性回归的方法）：

基础知识：
首先是用一个sigmoid函数，它是一个可以无限次数求导而且不归零的一个函数，正好在0和1中间0.5的位置有一个分界点，很好的表示了概率，概率大于0.5的取1，概率小于0.5的取0。

然后是我们平时用的二分类，比如我们用身高和鞋码做比喻，x轴是鞋码大小，y轴是身高，根据全班的身高和鞋码进行画图，得到下图，我们现在需要去判断一学生（已知身高鞋码）的男女，用下图中的直线进行分类，在线左边的分为女生，线右边的分为男生，这样的线可以有很多，怎么去找到哪根线是最合适的呢，这时候就引出了损失函数，离这根线的点的距离之和最小即可求出这根线的表达式。推广到高维。

具体操作：
uci data_banknote_authentication 数据集的下载
链接: http://archive.ics.uci.edu/ml/datasets/banknote+authentication


然后选择下载地址即可

如果通过网站下载不了的话（我们班有少数同学官网下载不了）
百度云盘链接：
https://pan.baidu.com/s/1uU9pgax2x6VfmEDr4ZlniQ
提取码：7d8c

用sigmoid函数来作为逻辑回归估计函数：

代价函数：
用梯度下降法去逼近最低值，以及求出所需的参数。
偏导函数：

theta迭代函数：

代码：

# -*- coding: utf-8 -*-
import math
import numpy
import random
import pandas as pd
data= pd.read_csv('C:/Users/95870/Desktop/banknote/data_banknote_authentication.txt',header=None)
X = data[[0,1,2,3]