“这是我参与更文挑战的第16天，活动详情查看： 更文挑战”
上几篇学习的线性回归模型是一种回归模型，它用于对连续变量进行预测，如预测收入范围、客户价值等。如果要对离散变量进行预测，则要使用分类模型。分类模型与回归模型的区别在于其预测的变量不是连续的，而是离散的一些类别，例如，最常见的二分类模型可以预测一个人是否会违约、客户是否会流失、肿瘤是良性还是恶性等。现在要学习的逻辑回归模型虽然名字中有“回归”二字，但其在本质上却是分类模型。
既然逻辑回归模型是分类模型，为什么名字里会含有“回归”二字呢？这是因为其算法原理同样涉及线性回归模型中的线性回归方程。
上面这个方程是用于预测连续变量的，其取值范围为（-∞，＋∞），而逻辑回归模型是用于预测类别的，例如，用逻辑回归模型预测某物品是属于A类还是B类，在本质上预测的是该物品属于A类或B类的概率，而概率的取值范围是0～1，因此不能直接用线性回归方程来预测概率，那么如何把一个取值范围是（-∞，＋∞）的回归方程变为取值范围是（0，1）的内容呢？
这就需要用到下图所示的Sigmoid函数，它可将取值范围为（-∞，＋∞）的数转换到（0，1）之间。例如，假设y＝3，通过Sigmoid函数转换后，f（y）＝1/（1＋e-3）＝0.95，就可以作为一个概率值使用了。
通过如下代码绘制Sigmoid函数的图像。
import matplotlib.pyplot as plt
import numpy as np
x=np.linspace(-6,6)
y=1.0/(1.0+np.exp(-x))
plt.plot(x,y)
plt.show()
逻辑回归模型的代码实现
先构造数据，代码如下。
X = [[1,0],[5,1],[6,4],[4,2],[3,2]]
Y = [0,1,1,0,0]
再将已有数据使用逻辑回归模型进行拟合，代码如下。
from sklearn.linear_model import LogisticRegression
model= LogisticRegression()
model.fit(X,Y)
训练完模型之后，即可用模型的predict()函数进行预测，代码如下。
model.predict([[2,2]])
预测结果如下。
[0]
忽略警告信息
有时对模型使用默认参数，运行程序时会出现如下图所示的FutureWarning警告信息，它只是在说明模型的官方默认参数在未来会有所调整，并非报错。
通常可以不用理会这个警告信息，程序的运行不会受到影响。如果不想看到这个警告信息，可以在完整代码的最上方添加如下代码来忽略警告信息。
import warnings
warnings.filterwarnings('ignore')
