【 Logistic模型】

---

Logistic模型

---

1. Logistic模型概述

Logistic模型，又称为逻辑回归模型，是一种广泛应用于分类问题的统计学习方法。与线性回归模型不同的是，Logistic模型的输出是概率值而非实数。它通过将线性回归模型的输出通过一个非线性函数（称为“逻辑函数”）进行映射，将连续的输出转化为概率值。

2. Logistic模型原理

Logistic模型基于以下假设：

• 数据具有线性可分性，即可以通过一个超平面将两个不同的类别分开。
• 数据服从伯努利分布，即每个样本的标签属于两个可能的类别之一。

Logistic模型的目标是通过学习一组参数，使得给定输入样本的条件概率能够最好地预测其所属的类别。具体来说，Logistic模型采用逻辑函数（也称为“sigmoid函数”）来将线性模型的输出转化为概率值。逻辑函数的定义如下：

$$\sigma (z)=\frac{1}{1+e^{-z}}$$

其中，$z$代表线性回归模型的输出。逻辑函数的特点是将任意实数映射到[0, 1]的区间内，且具有单调递增性质。通过设定适当的阈值，我们可以将概率值转化为类别标签，进而完成分类任务。

3. Logistic模型优点

Logistic模型具有以下几个优点：

• 可解释性强：Logistic模型的参数具有直观的解释，可以帮助我们理解不同特征对分类结果的影响程度。
• 计算效率高：Logistic模型的求解可以使用高效的优化算法，适用于处理大规模数据集。
• 可以处理多类别问题：通过扩展Logistic模型，我们可以解决多类别分类问题。

4. Logistic模型应用实例（多类别问题）

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
iris = load_iris()
# print(iris)
# 打印iris数据集的特征值
print(iris.data)
print(iris.data.shape)
# 打印iris数据集的目标值
print(iris.target)
print(iris.target.shape)
# 打印iris数据集的特征名称
print(iris.feature_names)
# 打印iris数据集的目标名称
print(iris.target_names)
# 打印iris数据集的描述
print(iris.DESCR)
# 划分数据集
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2)
print(x_train)
print(y_train)
# 标准化
from sklearn.preprocessing import StandardScaler
# 标准化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)

from  sklearn.linear_model import LogisticRegression
# 实例化估计器
estimator = LogisticRegression()
# 模型训练
estimator.fit(x_train, y_train)
# 模型评估
# 方法1：直接对比真实值和预测值
y_predict = estimator.predict(x_test)
print("y_predict:\n", y_predict)
print("直接对比真实值和预测值:\n", y_test == y_predict)
# 方法2：计算准确率
score = estimator.score(x_test, y_test)
print("准确率为：\n", score)