python 逻辑回归_从零学习python，相关分析之二如何用逻辑回归分类

如何用逻辑回归分类

1）什么是特征和标签？

特征就是数据的属性，比如听歌的时长、歌曲的强度、节奏等等，类别就是标签，比如喜欢或者不喜欢这首歌，标签也代表着对歌曲的预测，即预测喜欢和不喜欢。

2）训练数据和测试数据分别用来做什么？

训练数据是将数据‘喂’给模型，让模型去学习数据中特征或者属性，并能够进行自我的修正，训练好的模型把测试数据‘吃’进去，再看模型的输出是否符合我们的预期准确率。一般情况下是将数据集按二八规则进行分开，即训练数据占数据集的80%，测试数据占数据集的20%。

机器学习分类过程

3）什么是决策面？

决策面通常位于两个不同类别的某个位置上。机器学习中有很多现成的模型供我们去理解和使用，这里特征逻辑回归中分类的决策面。

在这个图中，绿色是喜欢的音乐，黄色的是不喜欢的音乐，当测试数据进来的时候进行自动分类

4）用什么指标判断分类结果的准确性？

使用模型准确率这个指标来判断机器模型的好坏，或者说是分类结果的准确性。，即正确率=正确分类个数/数据总数

5）什么是逻辑回归？

这里的逻辑回归指的是二分分类的逻辑回归，那什么是二分分类，是说我们的结果是两个不同的结果，即两个不同的标签

6)如何用Python实现逻辑回归？

建立数据集

提取特征和标签

使用sklearn.model_selection中的 train_test_split函数随机提取训练数据（train）和测试数据（test），.8代表着按照80%的比例随机分配train和test

建立训练模型示意图

训练模型（使用训练数据）

评估模型准确率，这里得到的结果为1，是错的，使用score函数

进一步理解什么是逻辑函数

7)为什么分类算法‘逻辑回归’叫做‘回归’

逻辑函数，是一个纵轴在0和1之间并穿过中心点0.5的光滑函数，不需要记住公式哦，为什么叫逻辑函数，是因为下图中的z代表的是线性回归，公式如图：

8）逻辑函数值表示的是什么？

下图横轴代表的是学习的时间，纵轴代表的是通过考试的概率，即分类结果标签为1时的概率值。

那么如何使用这个值呢？或者说如何映射到决策面上呢？如图。

注意：上图绿色的字体应该是y<0.5，特征=0，这样就将概率映射到标签上了

9）3种数据类型？

10）分类和回归有什么区别？

小结：