本学习笔记为阿里云天池龙珠计划Docker训练营的学习内容，学习链接为：https://tianchi.aliyun.com/specials/promotion/aicampml
一、学习知识点概要
1.1 逻辑回归模型的介绍
逻辑回归（Logistic regression，简称LR）虽然其中带有"回归"两个字，但逻辑回归其实是一个分类模型，并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热，但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。
而对于逻辑回归而且，最为突出的两点就是其模型简单和模型的可解释性强。
逻辑回归模型的优劣势:
优点：实现简单，易于理解和实现；计算代价不高，速度很快，存储资源低；
缺点：容易欠拟合，分类精度可能不高
1.2 代码实现流程
这里主要分为两部分。一部分使用手动输入的一组坐标点进行训练学习，掌握scikit-learn库中逻辑回归模型的基本使用方法和函数（方法）的使用；第二部分是导入了经典的鸢尾花数据集，然后对其进行二分类、多分类模型的训练和预测。
其中代码实现流程中，采用了一些可视化的库，将数据花在图表中，数据更加直观。
二、学习内容
由于本科阶段学习过相关内容，本次为复习，所以只简单概述复习中学习或者值得注意的地方，本专栏的后面博客内容也都是如此，后面就不赘述。
导入逻辑回归模型库是从sklearn的linear_model包下导入LogisticRegression。
首先创建LogisticRegression实例lr_clf，接着通过fit方法训练数据集，通过coef_方法查看对应模型的w，通过intercept_方法查看对应模型的w0。多分类模型也是如此。通过metrics.accuracy_score来计算预测的准确度。 Logistic 函数的特性和取值。
三、学习问题与解答
【问题描述】： 这里遇到了一个问题，通过官方的notbook文档执行，可以看到 可视化预测新样本 时会抛出一个错误提示：
【解决方案】： 由于版本迭代的问题，参数s已经不再使用，更改为text就不会出现问题。
四、学习思考与总结
本节让我回顾了本科学习的机器学习逻辑回归模型，回顾了scikit-learn库的使用，同时，之前没有使用过coef_和intercept_方法，在本次学习中，了解和掌握了查看训练模型模拟出的w和w0的方法。
同时回顾了可视化数据的展示方法。收获满满~