logistic回归

过程
1、找到一个合适的预测函数，一般表示为h函数，该函数就是我们需要找的分类函数，它用来预测输入数据的判断结果。这个过程非常关键，需要对数据有一定的了解或分析，知道或者猜测预测函数的“大概形式”，比如是线性函数还是非线性函数。
2、构造一个Cost函数（损失函数），该函数表示预测的输出（h）与训练数据类别（y）之间的偏差，可以是二者之间的差（h-y）或者是其他形式。综合考虑所有训练数据的“损失”，将cost求和或者求平均，记为J(w)函数，表示所有训练数据预测值与实际类别的偏差。
3、J(w)函数值越小表示预测函数越准确（即函数h越准确），所以要想办法求解函数J(w)的最小值。如梯度下降法等方法求解。

logistic回归的使用

# 逻辑斯蒂回归回归，用于分类而不是回归
import numpy as np

from sklearn.linear_model import LogisticRegression,LogisticRegressionCV

from sklearn import datasets

from sklearn.model_selection import train_test_split

np.logspace(-4,4,100)

LogisticRegressionCV(Cs = [0.001,0.01,0.1,1,5,10,100])

X,y = datasets.load_iris(True)
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size = 0.2)

lr = LogisticRegression()

lr.fit(X_train,y_train)

# 分类问题，准确率 96.6%
lr.score(X_test,y_test)

# 类别分3类
np.unique(y