逻辑回归是一种用于分类的算法，例如判断物品的好坏，疾病的良恶等都可以用逻辑回归来做。判断样品属于哪一类通常需要选择一个概率，例如大于0.5属于某一类，小于0.5属于另一类。
基于此，我们想到可以用指数函数，又为了使得概率在0-1之间，我们选择了sigmod函数：
可能性比率为：
则逻辑回归公式为：
或
接下来说一下算法过程:
(1)收集数据并筛选特征；
(2)构造逻辑回归方程；
(3)构造损失函数，利用梯度上升法求得损失最小的回归参数；
(4)模型检验：准确率，混淆矩阵等。
其中， 筛选特征方法有：
（1）向前引入
（2）向后剔除
（3）逐步回归
其中，法三最好。
sklearn库直接实现：(来自机器实战)
import numpy as np
from sklearn import datasets
from sklearn. 1inear_model import LogisticRegression from sklearn. metrics import confusion matrix
from sklearn.model_selection import train_test_split//导入数据并分为训练集和测试集
breast cancer =datasets. load breast_cancer()
x=breast_cancer ['data']
y=breast_cancer ['target']
X_train,X_test, y_train,y_test=
train_test_split(x,y,random_state=42)
//逻辑回归拟合
log_reg=LogisticRegression()
log_reg.fit(X_train,y_train)
//测试集效果检验，输出混淆矩阵
y_predict=log_reg.predict(X_test)
print(confusion_matrix(y_test,y_predict))