Logistic回归简介和相关的PYTHON实现

        在数据建模过程中，就有机器学习的监督学习而言，通常会有一个目标变量（因变量）和若干个可能会对目标变量产生影响的变量（自变量），选用一个模型，结合训练数据集（XY已知）进行训练拟合，再用模型去进行预测。在模型的选择中，Y的分布类型可能会对模型的性质产生影响，通常情况下，因变量Y为正态分布的数值型变量时，采用的是回归预测方式，如线性回归等；因变量Y为贝努利分布的类别变量时，所采用的模型应该是一个分类器，而Logistic回归就是其中之一。

Logistic回归介绍：

        二分类问题的Logistic模型的基本形式如下：

       因变量Y可能属于0或者1两个类别，n为自变量的数量，输出的结果为Y属于1类的概率，概率值P只能介于0和1之间，当P越接近于1，则说明Y越可能属于1类，否则，Y就越可能属于0类。

       就逻辑曲线的形状特征而言，越远离曲线的中心点（自然对树的指数结果为0，P等于0.5），那么自然对数指数每发生单位变动，P的变动幅度则会趋缓；当越接近中心点时，那么自然对数指数每发生单位变动，P的变动幅度则会变得陡峭。

       逻辑回归最为比较简单的几类分类器算法之一，具有一定的自身特点。首先，逻辑回归的形势比较简洁，训练结果的系数值α可以清楚地知道对应的自变量对因变量Y的影响，而输出的P可以作为分类的概率值，容易理解其含义；其次，逻辑回归属于结构简单的机器学习模型，相比于复杂的模型，训练效率非常高，具有一定的“性价比”；再次，逻辑回归可以同时适用于类别型和数值型的自变量。然而，也有一些缺陷，如模型训练会导致自变量多重共线性而影响泛化能力，非线性变化对概率值的区分度的问题等。

        对于逻辑回归的系数α（包含了截距项