ML之LoR：逻辑回归LoR算法的简介、应用、经典案例之详细攻略
目录
逻辑回归LoR算法的简介
逻辑回归最适合二进制分类（y = 0或1的数据集，其中1表示默认类）。例如：在预测事件是否发生时，发生的事件被分类为1。在预测人会生病或不生病，生病的实例记为1）。它是以其中使用的变换函数命名的，称为逻辑函数h(x) =1 / （1+e-x），它是一个S形曲线。
在逻辑回归中，输出是以缺省类别的概率形式出现的。因为这是一个概率，所以输出在0-1的范围内。输出（y值）通过对数转换x值，使用对数函数h(x) = 1 /（1+e-x）来生成。然后应用一个阈值来强制这个概率进入二元分类。
上图判断了肿瘤是恶性还是良性。默认变量是y = 1（肿瘤=恶性）；x变量可以是肿瘤的信息，例如肿瘤的尺寸。如图所示，逻辑函数将数据集的各种实例的x值转换成0到1的范围。如果概率超过阈值0.5（由水平线示出），则将肿瘤分类为恶性。
逻辑回归的目标是使用训练数据来找到系数b0和b1的值，以使预测结果与实际结果之间的误差最小化。这些系数是使用最大似然估计来计算的。
逻辑回归LoR算法的应用
1、逻辑回归可视化
逻辑回归LoR算法的经典案例
TF之LoR：基于tensorflow利用逻辑回归算LoR法实现手写数字图片识别提高准确率
ML之LoR：LoR之二分类之线性决策算法实现根据两课成绩分数~预测期末通过率(合格还是不合格)
ML之LoR：利用LoR二分类之非线性决策算法案例应用之划分正负样本