目录
🍔 逻辑回归应用场景
在KNN算法中直接可以得出预测结果，但是如果想输出预测结果，还要输出预测结果的概率，这时候就需要使用逻辑回归解决问题。
比如，预测性别的时候，预测为男性，同时预测概率为90%，这样可以通过概率更加具有说服力。
🍭 应用场景
逻辑回归（Logistic Regression）是机器学习中的一种分类模型，逻辑回归是一种分类算法，虽然名字中带有回归。由于算法的简单和高效，在实际中应用非常广泛。
广告点击率
是否为垃圾邮件
是否患病
金融诈骗
虚假账号
看到上面的例子，我们可以发现其中的特点，那就是都属于两个类别之间的判断。逻辑回归就是解决二分类问题的利器。
🍔 极大似然估计
2.1 为什么要有极大似然估计？
例子：我与一位猎人一起外出打猎，一只野兔从前方穿过，只听到一声枪响，野兔应声倒下。问是谁倒下的呢？
答：极有可能是猎人。
显然候选人就两个，我和猎人。若选择我，则事件发生的发生概率为0.01%，因为我不会打猎；若选择猎人，则事件发生的概率为99%，而事件已经发生，因此选择猎人更为合适。
🐼 极大似然估计的思想：
设总体中含有待估参数w，可以取很多值。已经知道了样本观测值（例子中的兔子被猎人打死了），从w的一切可能值中（引例中是我和猎人）选出一个使该观察值出现的概率为最大的值，作为w参数的估计值，这就是极大似然估计。（顾名思义：就是看上去那个是最大可能的意思）
2.2 极大似然估计步骤
🐻 求极大似然函数估计值的一般步骤：
（1） 写出似然函数；
（2） 对似然函数取对数，并整理；
（3） 求导数 ；
（4） 解似然方程
极大似然估计，只是一种概率论在统计学的应用，它是参数估计的方法之一。说的是已知某个随机样本满足某种概率分布，但是其中具体的参数不清楚，参数估计就是通过若干次试验，观察其结果，利用结果推出参数的大概值。极大似然估计是建立在这样的思想上：已知某个参数能使这个样本出现的概率最大，我们当然不会再去选择其他小概率的样本，所以干脆就把这个参数作为估计的真实值。
当然极大似然估计只是一种粗略的数学期望，要知道它的误差大小还要做区间估计。
🍔 Sigmod函数模型
3.1 逻辑斯特函数的由来
🐼 Sigmod函数，也称之为逻辑斯特函数
假设一事件发生的概率为P，则不发生的概率为1-P，我们把发生概率/不发生概率称之为发生的概率比，数学公式表示为：
更进一步我们定义logit函数，它是概率比的对数函数（log-odds）
Logit函数耳朵输入值范围介于[0,1]之间，它能将输入转换到整个实数范围内。
对logit函数求反函数，我们将logit的反函数叫做logistic函数：
该函数的图像如下图：
对图像的理解：sidmod函数以实数值作为输入并将其反射到[0，1]区间，拐点在y=0.5地方。
3.2 Sigmod函数绘图
🍭 需求：绘制[-7，7]的sigmod函数图像
import matplotlib.pyplot as plt
import numpy as np
def sigmod(z):
return 1.0/(1.0+np.exp(-z))
z=np.arange(-7,7,0.1)
phi_z=sigmod(z)
plt.plot(z,phi_z)
plt.axvline(0.0,color='k')
plt.axhspan(0.0,1.0,facecolor='1.0',alpha=1.0,ls='dotted')
plt.yticks([0.0,0.5,1.0])
plt.ylim(-0.1,1.1)
plt.xlabel('z')
plt.ylabel('$\phi (z)$')
plt.show()函数图像如图所示💯 ：
逻辑回归的分类结果是通过属于某个类别的概率值来判断
预测概率大于 50% 则分为类1类别(正例), 反之为0类别(反例)
3.4 结果解释
输出结果解释(重要)：假设有两个类别A，B，并且假设我们的概率值为属于A(1)这个类别的概率值。现在有一个样本的输入到逻辑回归输出结果0.55，那么这个概率值超过0.5，意味着我们训练或者预测的结果就是A(1)类别。那么反之，如果得出结果为0.3那么，训练或者预测结果就为B(0)类别。
关于逻辑回归的阈值是可以进行改变的，比如上面举例中，如果你把阈值设置为0.6，那么输出的结果0.55，就属于B类。
在学习逻辑回归之前，我们用均方误差来衡量线性回归的损失。
🐼 在逻辑回归中，当预测结果不对的时候，我们该怎么衡量其损失呢？
我们来看下图(下图中，设置阈值为0.6)，
那么如何去衡量逻辑回归的预测结果与真实结果的差异？
首先我们进行逻辑斯特回归函数的表示学习。
3.5 对数似然损失函数
假设：有 0、1 两个类别，某个样本被分为 1 类的概率为: p, 则分为 0 类的概率为 1-p，则每一个样本分类正确的概率为：
上述公式可转换为：
假设，我们现在有样本：[(x1, y1), (x2, y2) … (xn, yn)]，那么，全部预测正确的概率表示为：
通过极大化事件概率，从而估计出模型参数。
接下来，将上式其转换为对数加法的形式：
上述公式为最大化问题。
增加一个负号，将其变为最小化问题，公式再次转换如下：
此时，得到逻辑回归的对数似然损失函数.
如上述案例，我们就带入上面那个例子来计算一遍，就能理解意义了。
我们已经知道，-log(P), P值越大，结果越小，所以我们可以对着这个损失的式子去分析。