逻辑回归算法
功能（使用场景）：分类：二分类、多分类
底层逻辑：他是将数据转换成数字然后通过线性回归计算出每个特诊的权重值，再通过sigmoid（h(w) = sigmoid(w^Tx + b )将权重值转换成0-1之间的概率值，最终找到一个阈值去将我们的值分类
过程图解
核心：
损失函数：交叉熵损失函数：伯努利分布的似然函数是逻辑回归交叉熵损失的来源,对其取负对数，直接得到交叉熵损失!
损失函数优化
apisklear.linear_model.LogisticRegression(slover = 'liblinear ',penalty=‘l2’, C = 1.0
liblinear 对小数据集场景训练速度更快，sag 和 saga 对大数据集更快一些。
penalty：正则化的种类，l1 或者 l2
C：正则化力度
逻辑回归评估：
混淆矩阵：模型的预测结果与实际标签的对比情况
背景：是因为在某些行业中，不能靠单独的预测分数去判断这个模型的好坏程度，所以出现了这个评判分类函数的方法
方法简介：做成预测结果和真实结果的表格
正例子：我们分类后最关注的一个分类
假例子：我们分类后次要的关注分类
TP：真实结果时真，预测结果是真
FP：真实结果是真，预测结果是假
FN：真实结果是假，预测结果是真
TN：真实结果是假，预测结果是假
例子：
评估指标：
精确率：=TP/(TP+FP) 预测真确的样本站所有应该正确样本的比例(Precision Score）
召回率：= TP/(TP+FN) 真正正确的真实样本在所有预测为正样本的概率(recall_score
f1分数: = 2 ∗Precision ∗Recall/Precision+Recall (r1_score）
模型的精确率、召回率都有要求，模型在这两个评估方向的综合预测能力
AUC和ROC：
注意：二者需要同时使用
功能：评估模型好坏
AUC：阈值分割线
真正率(TPR)：TP/(TP+FP)
假正率(FPR)：FP/(FP+TN)
图解：1，0 代表这全部预测正确
0，1 代表全部预测错误
0，0 代表假的预测正确了，真的预测错了
1，0 代表真预测正确了，假的预测错了
ROC：曲线下面积
线的上半部分代表预测的正确的占比，反之亦然
代码展示：
