逻辑回归模型的实现---原理、公式、调用sklearn库实现详解

机器学习中有非常多的模型，那么模型的原理是什么？参数怎么使用？模型如何选择？这是困扰我比较久的问题，借最近学习sklearn顺便学一学我最近项目里面需要的模型。

----------目录--------------

1. 如何选择合适的模型？

2. 公式与原理

3. 调用sklearn库实现逻辑回归代码详解

 

1. 如何选择合适的模型？

在sklearn官网上有这样一幅图，标明了数据量小于大于多少时可以参考使用的模型，具体实际操作时可供参考：

http://sklearn.apachecn.org/cn/0.19.0/tutorial/machine_learning_map/index.html

分类模型的选择是这样的：

 

2. 公式与原理

之所以先介绍逻辑回归，因为它是最简单的线性回归的升级版（这是我自己的理解哈），下面我将官网上的解释和自己的理解融合了一下：

logistic 回归，虽然名字里有 “回归” 二字，但实际上是解决分类问题的一类线性模型。线性问题的模型数学公式简单来说是y=ax+b，x就是输入的特征，可以有多个，a就是x特征的权重，越大代表x这个特征越重要，b是偏置，作用就是input为0时，至少有一个可以用来表示data波动的量。

而逻辑回归是通过odd函数对y=ax&#