逻辑回归模型

1. 逻辑回归是一种监督式的学习算法。

［ 监督式学习算法有两组变量：预测变量(自变量x)和目标变量(因变量y)，通过这些变量(x,y)，搭建一个可以由已知的预测变量值x，得到对应的目标变量值y。

重复训练这个模型，直到能够在训练数据集上达到预定的准确度。］

2. 逻辑回归是一个分类算法。

利用已知的自变量，来预测一个离散型因变量的值（比如0/1， 是／否，真／假）。

每个离散值的概率结果即是我们要预测的，可以通过一个逻辑函数（logit function），自然地，输出值在0到1之间。

odds＝p／(1-p)           可能概率／不可能概率

ln(odds) =ln(p/(1-p))   取对数



logit(p)=ln(p/(1-p))＝b0+b1 x1+ b2 x2 +b3 x3 ... +bk xk

通过筛选出特定的参数值使得函数结果最大化来估计参数（普通回归是最小化误差的平方和）。

3. python代码如下:

#import Library
from sklearn.linear_model import LogisticRegression

#X preditor, Y target

#create logistic regression object
model=LogisticRegression()
model.fit(X,Y)
model.score(X,Y)

print('Coefficient: 
', model.coef_)
print('Intercept: 
', model.intercept_)

predicted=model.predict(x_test)   #predict y of x_test

4. 待做：

1）安装sklearn包

2）自己创建样本集

3）跑一下这个代码，补充上来