Logistic回归做分类或预测（实战代码）

1.Logistic回归为什么可以用于分类？

谈这个问题之前，先谈下：一般来说，我们如何用一个模型做分类？

一般的，在机器学习中，使用一个模型做分类的前提，是根据数据（包含样本和标签）训练出一个模型，再用这个训练好的模型做新样本的分类。

比如 x=[1,2,3]，y=[2,4,6]. 给出一个x=4,y=?
我们就可以根据现有的数据来训练出一个模型，这里根据数据特点，选用线性回归模型。

这里使用pytorch封装好的线性回归模型，来进行实现

import torch

x_data = torch.tensor([[1.0],[2.0],[3.0]])
y_data = torch.tensor([[2.0],[4.0],[6.0]])


class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel,self).__init__()
        self.linear = torch.nn.Linear(1,1)

    def forward(self,x):
        y_pred = self.linear(x)
        return y_pred

model = LinearModel()

criterion = torch.nn.MSELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred,y_data)
    print(epoch,loss.item())
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

print("w=",model.linear.weight.item())
print("b=",model.linear.bias.item())

x_test = torch.Tensor([[4.0]])
y_test = model(x_test)

print