5、机器学习分类模型：逻辑回归与朴素贝叶斯

机器学习分类模型：逻辑回归与朴素贝叶斯

1. 逻辑回归（Logistic Regression）

逻辑回归（LogR）通常用于分类目的，它与线性回归（LR）不同，逻辑回归的因变量只能取有限个值，而线性回归中因变量取值是无限的。这是因为逻辑回归的因变量使用类别表示，当只有两个类别时，就成为二元逻辑回归。

在LR中，输出是输入的加权和。而LogR是LR的推广，输入的加权和并不直接输出，而是通过一个函数将任何实输入值映射到0到1之间的输出。在LR里，输出可以取任何值，但对于LogR，值必须在0到1之间。这个映射加权输入和的函数称为Sigmoid函数，也被称为激活函数。

Sigmoid函数的输出值（y）始终在0到1之间，当x = 0时，y = 0.5。在二元分类情况下，如果y >= 0.5，则判定为类别1；否则为类别0。

在应用逻辑回归之前，需要满足两个基本假设：
- 因变量必须是分类变量。
- 自变量（特征）必须相互独立。

我们使用一个关于大学录取的数据集，该数据集包含100条记录，每条记录有两个考试成绩（范围从0到100），以及一个表示是否被录取的标签（1表示被录取，0表示未被录取）。目标是根据这两个考试成绩预测申请人是否会被录取。原始数据来自一个名为 marks.txt 的CSV文件，可从 这里 获取。

以下是用于加载数据并可视化原始数据集的P