23、深入理解逻辑回归：从理论到实践

深入理解逻辑回归：从理论到实践

在数据科学和机器学习领域，回归分析是一项重要的技术。线性回归常用于估计数值，但在处理分类问题时，它并非最佳选择。本文将深入探讨逻辑回归，包括其应用、性能评估、多分类处理等方面，并通过实际代码示例进行详细说明。

逻辑回归的应用

逻辑回归与线性回归类似，但 y 数据应包含表示观测相对类别的整数值。以 Scikit-learn 数据集模块中的鸢尾花数据集为例，我们可以使用 0、1 和 2 来表示三个对应不同物种的类。

from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data[:-1,:]
y = iris.target[:-1]

from sklearn.linear_model import LogisticRegression
logistic = LogisticRegression()
logistic.fit(X, y)

single_row_pred = logistic.predict(
    iris.data[-1, :].reshape(1, -1))
single_row_pred_proba = logistic.predict_proba(
    iris.data[-1, :].reshape(1, -1))

print ('Predicted class %s, real class %s'
       % (single_row_pred, iris.target[-1]))
print ('Probabilities for each class from 0 t