机器学习之逻辑回归（ Logistic Regression，LR）

机器学习方法之逻辑回归（LR）

本文主要用简单的语言讲述一下逻辑回归方法的原理，然后通过一个具体的案例来分析逻辑回归方法的优缺点，具体采用Python语言实现。

原理介绍

提到逻辑回归，很容易想到另外一种方法：线性回归（Linear Regression），所以接下来我们通过对比两种方法来达到对逻辑回归的认识与理解。

1. 计算公式及用途
   （1）线性回归
   主要用于回归；
   
   （2）逻辑回归
   主要用于分类；
   那么，逻辑斯特回归是怎么做到分类的呢？它用的是概率的方法，预测出一个概率，比如>0.5判定为一类，<0.5就判定为另外一类。
   然后另外一个问题出现了，如果将函数值转换为概率的体现呢？
   
   通过上述函数就可以实现，这个函数叫Logistic函数（或称为Sigmoid函数），当z≥0 时,h≥0.5,分类为1，当 z<0时,h<0.5,分类为0，其对应的h值我们可以视为类别1的概率预测值，这里的z就相当于线性回归方程的表达式。
   下图是h关于z 的曲线：
   
   可以看出h的取值范围在[0,1]，符合概率的取值范围。我们利用数据进行模型训练的目的就是得到这里的z表达式的系数；

应用案例之鸢尾花分类

将逻辑回归模型应用于鸢尾花分类案例，整个过程采用python语言实现：
（1）导入基本库

`# 基础函数库
import numpy as np 
import pandas as pd
 #绘图函数库
import matplotlib.pyplot as plt
import seaborn as sns`

（2）案例数据读取

##我们利用sklearn中自带的iris数据作为数据载入，并利用Pandas转化为DataFrame格式
from sklearn.datasets impo