逻辑回归代码_干货 | 这篇讲透了什么是逻辑回归，并用Python实现（附案例代码）...

01 生活中，我们经常遇到以下问题

• 如何预测一个用户是否购买某件商品？

• 如何预测用户流失概率？

• 如何判断用户的性别？

• 如何预测用户是否点击某商品？

• 如何判断一天评论是正面还是负面？

• 预测用户是否点击某个广告

• 如何预测肿瘤是否是恶性的等等

02 如何选择算法模型解决问题？

现实中的这些问题可以归类为分类问题 或者是二分类问题。逻辑回归是为了就是解决这类问题。根据一些已知的训练集训练好模型，再对新的数据进行预测属于哪个类，并且概率是多少。比如用户是否点击某个广告、肿瘤是否是恶性的、用户的性别，等等。

逻辑回归(Logistic regression 或logit regression)，即逻辑模型(英语：Logit model，也译作“评定模型”、“分类评定模型”)是离散选择法模型之一，主要是针对因变量为分类变量而进行回归分析的一种统计方法，属于概率型非线性回归。它的有点是算法简单高效，在实际生活中应用广泛；缺点是离散型的数据需要通过生成虚拟变量进行使用。

02 什么是逻辑回归？

逻辑回归是一种广义的线性回归，通过构造回归函数，利用sklearn库实现分类或预测。它使用的函数是Sigmoid函数，也称为s函数，双弯曲线。它把数据集分为0-1区间，然后根据0.5把数据分两类。一类是(0.5 –1);另外一个类是(0——0.5)。当x>0是， 我们把数据归为一类，x<0时，我们把数据归为另一类。

在逻辑回归中，x使用一个y表示，也就是y=f(x1,x2,x3)= a1x1+a2x2+….+anxn。逻辑回归的关键是找到a1,a2,,,an的参数，然后就得到y，进而得到x。最后就可以根据x预测属于哪一类。

<