Python从0到100（五十二）：机器学习-逻辑回归及鸢尾花数据集预测

逻辑回归是⼀种⽤于解决⼆分类问题的监督学习算法，其基本原理是使⽤ 逻辑函数（也称为Sigmoid函数） 来建模
因变量（输出）与⾃变量（输⼊）之间的概率关系。逻辑回归的⽬标是估计某个事件发⽣的概率，通常表示为0或
1，例如肿瘤是恶性（1）或良性（0）。

1.基本原理

逻辑回归基于以下思想：我们希望将线性组合的输出映射到⼀个介于0和1之间的概率值，以表示事件发⽣的可能性。为此，逻辑回归使⽤逻辑函数（Sigmoid函数）来执⾏这种映射。
逻辑回归的基本原理如下：

1. 假设数据服从⼀个二项分布。
2. 使⽤线性回归模型的线性组合来建模数据的对数⼏率。
3. 对线性组合应⽤逻辑函数（Sigmoid函数），将连续的输出转换为概率值。
4. 根据概率值进⾏分类，通常设置⼀个阈值来决定类别。

2.公式模型

逻辑回归的核⼼公式可以表示为：

在这个公式中：

• P(y=1|X)是事件发⽣的概率，也就是因变量（输出）等于1的概率。<