Logistic回归案例

案例1

现在有100个样本点，部分数据截图如下：该数据前两列为特征数据，最后一列为标签

因为只有两个特征，我以第一个特征作为横坐标的值，以第二个特征作为纵坐标的值。图像如下：现在我要找到决策边界(找到最佳的θ)对未知样本点进行预测分类

案例1-线性逻辑斯蒂回归分类

线性逻辑斯蒂-易错点的强调

（1）数据的预处理-添加偏置项
为每一个样本点添加一个偏置项，即添加1；


（2）利用梯度下降法求解最优的回归参数

numpy中数组和矩阵的区别
numpy中数组和矩阵的区别：matrix是array的分支，matrix和array在很多时候都是通用的，你用哪一个都一样。但这时候，官方建议大家如果两个可以通用，那就选择array，因为array更灵活，速度更快，很多人把二维的array也翻译成矩阵。但是matrix的优势就是相对简单的运算符号，比如两个矩阵相乘，就是用符号*，但是array相乘不能这么用，得用方法.dot()array的优势就是不仅仅表示二维，还能表示3、4、5…维，而且在大部分Python程序里，array也是更常用的。

（2）利用梯度下降法求解最优的回归系数

（3）迭代求得最优参数

（4）画出决策边界