#逻辑回归虽然叫回归，但他是一个二分类的算法，他的优势就是可以返回概率值，用来做银行信贷的评分卡很有好处：

'''
逻辑回归：一个二分类的算法；
对线性关系拟合的非常好；
计算非常快；
逻辑回归返回的是类概率的数字；

模型的评估指标：
混淆矩阵：metrics.confusion_matrix
roc曲线：metrics.roc_auc_score ROC曲线，横坐标：假正率，纵坐标：召回率；
精确性：metrics.accuracy_score  精确性

模型要求：损失函数最小，西塔的取值，正则化来控制过拟合的发生；

正则化：L1及 L2正则化；C是用来控制正则化的参数；默认L2


'''

1.逻辑回归：
111
①算法概念
Logistic Regression 虽然被称为回归，但其实际上是分类模型，并常用于二分类。Logistic Regression 因其简单、可并行化、可解释强深受工业界喜爱。
Logistic 回归的本质是：假设数据服从这个分布，然后使用极大似然估计做参数的估计。

②.算法思路：

③Logistic回归优缺点：
优点：实现简单；分类时计算量非常小，速度很快，存储资源低；
缺点：
容易欠拟合，一般准确度不太高；只能处理两分类问题（在此基础上衍生出来的softmax可以用于多分类），且必须线性可分。

④.代码实例1（预测是否患上了癌症）：
数据：癌症预测数据

#coding=gb2312
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import mean_squared_error,classification_report
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
def mylogis():
    '''
    逻辑回归：预测癌症病人的数目；主要考虑召回率。
    :return: None
    '''
    #1.获取数据：
    column = ["Sample code number","Clump Thickness"," Uniformity of Cell Size","Uniformity of Cell Shape",
              "Marginal Adhesion","Single Epithelial Cell Size","Bare Nuclei","Bland Chromatin","Normal Nucleoli","Mitoses","Class"]
    data = pd.read_csv("./breast-cancer-wisconsin.data",names=column)
    print(data)
    #对缺失值进行处理：
    data = data.replace(to_replace="?",value=np.nan)
    data = data.dropna()

    #进行数据分割：
    x_train,x_test,y_train,y_test = train_test_split(data[column[1:10]],data[column[10]],test_size=0.25)

    #进行标准化处理：
    std = StandardScaler()
    x_train = std.fit_transform(x_train)
    x_test = std.transform(x_test)

    #逻辑回归预测：
    #C是调整正则化强度的倒数，1是默认值，认为正则项与损失函数的比值1：1，C越小就是对损失函数的惩罚越大；
    #penalty 调整正则项是l1/l2
    #max_iter梯度下降求解最优解的步长
    lg = LogisticRegression(C=1.0，,penalty="l2"，max_iter=100)
    lg.fit(x_train,y_train)
    print(lg.coef_)
    y_predict = lg.predict(x_test)

    print("准确率：",lg.score(x_test,y_test))

    #召回率：
    print("召回率：",classification_report(y_test,y_predict,labels=[2,4],target_names=["a良性","b恶性"]))

if __name__ =="__main__":
    mylogis()

结果：准确率及召回率都很高，但有时候还是要取舍，保证召回率100%：

代码实例2（银行评分卡）：
拿别人的占个位置，有空自己写吧

持续更新，，，