其原理是將樣本的特徵和樣本發生的概率聯絡起來。
優化方法：
模型評估指標：在資料極度偏斜的情況下，分類準確度存在問題，比如**癌症，因此只用分類準確度是遠遠不夠的。引入以下指標，
優點：
缺點：
樣本的過取樣和欠取樣；
直接基於原始訓練集進行學習，但在用訓練好的分類器進行**時，將y/1-y嵌入到決策過程中，稱為「閾值移動」。
class sklearn.linear_model.logisticregression(penalty='l2',
dual=false, tol=0.0001, c=1.0, fit_intercept=true,
intercept_scaling=1, class_weight=none,
random_state=none, solver='liblinear', max_iter=100,
multi_class='ovr', verbose=0, warm_start=false, n_jobs=1)
•dual=false : 對偶或者原始方法。dual只適用於正則化相為l2的『liblinear』的情況，通常樣本數大於特徵數的情況下，預設為false。
•c=1.0 : c為正則化係數λ的倒數，必須為正數，預設為1，值越小，代表正則化越強。
•fit_intercept=true : 是否存在截距，預設存在。
•intercept_scaling=1 : 僅在正則化項為『liblinear』，且fit_intercept設定為true時有用。
•solver=『liblinear』 : solver引數決定了我們對邏輯回歸損失函式的優化方法，有四種演算法可以選擇。
• max_iter=100 : 演算法收斂的最大迭代次數。
• tol=0.0001 : 迭代終止判據的誤差範圍。
• verbose=0 : 日誌冗長度
• warm_start=false : 是否熱啟動，如果是，則下一次訓練是以追加樹的形式進行（重新使用上一次的呼叫作為初始化）。布林型，預設false。
• n_jobs=1 : 並行數，int：個數；-1：跟cpu核數一致；1:預設值。
•multi_class=『ovr』 : 分類方式。
• class_weight=none : 型別權重引數。
• random_state=none : 隨機數種子，預設為無。僅在正則化優化演算法為sag,liblinear時有用。
邏輯回歸演算法梳理
邏輯回歸演算法梳理 1 邏輯回歸與線性回歸的聯絡與區別 區別 邏輯回歸 值返回的離散值，線性回歸返回的連續值 聯絡 2 邏輯回歸的原理 邏輯回歸就是這樣的乙個過程 面對乙個回歸或者分類問題，建立代價函式，然後通過優化方法迭代求解出最優的模型引數，然後測試驗證我們這個求解的模型的好壞 3 邏輯回歸損失...
邏輯回歸演算法梳理
區別 線性回歸主要用來解決連續值 的問題，邏輯回歸用來解決分類的問題，輸出的屬於某個類別的概率。面對乙個回歸或者分類問題，建立代價函式，然後通過優化方法迭代求解出最優的模型引數，然後測試驗證我們這個求解的模型的好壞 正則化方法 正則化是結構風險最小化策略的實現，是在經驗風險上加乙個正則化項或懲罰項。...
邏輯回歸演算法梳理
邏輯回歸和線性回歸的聯絡和區別 邏輯回歸和線性回歸都屬於廣義線性回歸模型。二者的區別如下 1.線性回歸要求變數服從正態分佈，邏輯回歸對變數分布沒有要求。2.線性回歸要求因變數是連續性數值變數，而邏輯回歸要求因變數是分型別變數。3.線性回歸要求自變數和因變數呈線性關係，而邏輯回歸不要求。4.線性回歸直...