『壹』 通俗地說邏輯回歸【Logistic regression】演算法（二）sklearn邏輯回歸實戰
邏輯回歸在實際應用中解決多分類問題的方法主要有兩種： OnevsRest：將某個類別視為正類，其他類別視為負類，以二分類方式構建多個模型。這種方法在模型復雜度和計算速度上通常優於MvM方法。 ManyvsMany：通過構建多個二分類模型來處理多分類問題，選擇模型時每次選擇兩類類別進行比較。其中最常用的MvM方法是OnevsOne，在比較過程中選擇兩類類別來訓練模型。
邏輯回歸中的正則化參數的作用是限制模型復雜度，防止過擬合： 正則化參數通過加到損失函數中，可以平衡模型的復雜度和泛化能力，防止模型在訓練集上表現過好，但在新數據上泛化能力較差。
sklearn中的邏輯回歸主要參數包括： 正則化類型：如’L1’、’L2’和’elasticnet’，影響模型的復雜度和泛化能力。 優化演算法：如’newtoncg’、’lbfgs’、’liblinear’、’sag’和’saga’，用於求解損失函數的最小值。 分類方式：決定模型如何處理多分類問題，如’ovr’表示OvR方法，’multinomial’表示多項式邏輯回歸，’multinomial’在二分類情況下與’ovr’相同，但在多分類情況下不同。
使用sklearn進行邏輯回歸分類的步驟： 導入數據集。 使用邏輯回歸模型進行訓練，設置正則化類型、優化演算法等參數。 使用訓練好的模型進行預測。 評估模型性能，可能需要通過交叉驗證等方法來選擇最佳參數組合。