python画logistic拟合曲线_Python sklearn模板实现Logistic回归算法

在掌握 Logistic 回归的基本原理之后，下面我们通过实战来感受一下这个模型。由于模型的求解过程（如梯度下降法、牛顿法）和正则化流程都被封装在机器学习框架（如 sklearn）之中，所以我们无须为这些底层优化算法费心，这就是利用框架的便利所在。

前面关于 Logistic 回归的理论推导，主要是基于二分类的。下面我们就使用 sklearn 进行二分类的实战。实战使用的数据集是皮马印第安人糖尿病数据集（Pima Indians Diabetes Data Set），

该数据集中包括 442 个患者的生理数据及一年以后的病情发展情况数据。数据集中的特征包括： Pregnancies（怀孕次数）、Glucose（葡萄糖，单位mmol/L）、BloodPressure（血压，单位 mm Hg）、SkinThickness（皮层厚度，单位 mm）、Insulin（胰岛素，餐后2小时血清胰岛素，单位 mu U / ml）、BMI（体重指数，计算公式为（体重/身高）2）、Diabetes Pedigree Function（糖尿病谱系功能）、Age（年龄）。

我们的要预测的目标是，一年后该患者还有没有糖尿病，有（标识为 1）或者没有（标识为 0）显然是一个分类问题。由于用于训练的数据集略有不同，所以我们并不能直接使用 sklearn 提供的内置数据集。比较便捷的方法是，在 Kaggle（一个数据竞赛网站）上下载预处理好的数据集。为了演示方便，我们还是用 Jupyter 来分开解