通俗地说逻辑回归【Logistic regression】算法（二）sklearn逻辑回归实战

def LogisticRegression(penalty='l2',                                      dual=False,                                      tol=1e-4,                                      C=1.0,                                     fit_intercept=True,                                      intercept_scaling=1,                                      class_weight=None,                                     random_state=None,                                      solver='warn',                                      max_iter=100,                                     multi_class='warn',                                      verbose=0,                                      warm_start=False,                                      n_jobs=None,                                     l1_ratio=None                                     ) 跟线性回归一比，逻辑回归的参数那还真是多啊，不过我们一个一个来看看参数都是什么意思吧。                                   - dual：对偶或者原始方法，布尔类型，默认为False。Dual只适用于正则化相为l2的‘liblinear’的情况，通常样本数大于特征数的情况下，默认为False。  - tol：停止迭代求解的阈值，单精度类型，默认为1e-4。  - C：正则化系数的倒数，必须为正的浮点数，默认为 1.0，这个值越小，说明正则化效果越强。换句话说，这个值越小，越训练的模型更泛化，但也更容易欠拟合。  - fit_intercept：是否要使用截距（在决策函数中使用截距），布尔类型，默认为True。  - intercept_scaling：官方解释比较模糊，我说下个人理解。浮点型，默认值是1.0。这个参数仅在“solver”参数（下面介绍）为“liblinear”“fit_intercept ”参数为True的时候生效。作用是给特征向量添加一个常量，这个常量就是intercept_scaling。比如原本的向量是[x]，那么添加后就变成[x,intercept_scaling]。  - class_weight：分类权重，可以是一个dict（字典类型），也可以是一个字符串"balanced"字符串。默认是None，也就是不做任何处理，而"balanced"则会去自动计算权重，分类越多的类，权重越低，反之权重越高。也可以自己输出一个字典，比如一个 0/1 的二元分类，可以传入{0:0.1,1:0.9}，这样 0 这个分类的权重是0.1，1这个分类的权重是0.9。这样的目的是因为有些分类问题，样本极端不平衡，比如网络攻击，大部分正常流量，小部分攻击流量，但攻击流量非常重要，需要有效识别，这时候就可以设置权重这个参数。  - random_state：设置随机数种子，可以是int类型和None，默认是None。当"solver"参数为"sag"和"liblinear"的时候生效。  - verbose：输出详细过程，int类型，默认为0（不输出）。当大于等于1时，输出训练的详细过程。仅当"solvers"参数设置为"liblinear"和"lbfgs"时有效。  - warm_start：设置热启动，布尔类型，默认为False。若设置为True，则以上一次fit的结果作为此次的初始化，如果"solver"参数为"liblinear"时无效。  - max_iter：最大迭代次数，int类型，默认-1（即无限制）。注意前面也有一个tol迭代限制，但这个max_iter的优先级是比它高的，也就如果限制了这个参数，那是不会去管tol这个参数的。 

import numpy as np import matplotlib.pyplot as