基于python的logistic回归分类

     个人学习笔记：看机器学习实战这本书，里面关于logistic回归分类的原理以及在python上的实现讲得简单明了，通俗易懂。

      书里只谈到logistic回归在二分类上的应用，并没有举例多分类的应用例子。经个人网上查询，其实多分类跟二分类也是大同小异，可参考这篇文章

http://blog.youkuaiyun.com/woaidapaopao/article/details/51590376

里面有一段话：

关于logistic 回归的内容，参照前面的文章，这里主要讲了多分类的方法和Python的实现，

第一种简单的方法是一对所有（one-Versus-All，OVA），给定m个类，训练m个二元分类器(将选取任意一类，再将其它所有类看成是一类，构建一个两类分类器)。分类器j使类j的元组为正类，其余为负类，进行训练。为了对未知元组X进行分类，分类器作为一个组合分类器投票。例如，如果分类器j预测X为正类，则类j得到一票。如果他测得X为正类，则类j得到一票。如果测X为负类，则除j以外的每一个类都得到一票（相当于此类的票数减一）。得票最多的指派给X。

    这种方法简单有效，而且使用类似logistic这种有概率值大小可以比较的情况下，类边界其实是个有范围的值，可以增加正确率。而且当K(类别数量)很大时，通过投票的方式解决了一部分不平衡性问题。

第二篇文章，里面也讲到关于多分类的问题 http://python.jobbole.com/85041/

logistic回归一般用于二分类问题，比如判断一封邮件是否为垃圾邮件，判断照片中的人是男是女，预测一场比赛输还是赢……当然也可以用于多分类问题，比如k类别，就进行k次logistic回归。

我的前一篇文章：kNN算法__手写识别 讲到用kNN算法识别数字0～9，这是个十类别问题，如果要用logistic回归，

得做10次logistic回归，第一次将0作为一个类别，1～9作为另外一个类别，这样就可以识别出0或非0。同样地可以将1作为一个类别，0、2～9作为一个类别，这样就可以识别出1或非1……..

本文的实例同样是识别数字，但为了简化，我只选出0和1的样本，这是个二分类问题。下面开始介绍实现过程：