‘壹’ 通俗地说逻辑回归【Logistic regression】算法（二）sklearn逻辑回归实战
逻辑回归在实际应用中解决多分类问题的方法主要有两种： OnevsRest：将某个类别视为正类，其他类别视为负类，以二分类方式构建多个模型。这种方法在模型复杂度和计算速度上通常优于MvM方法。 ManyvsMany：通过构建多个二分类模型来处理多分类问题，选择模型时每次选择两类类别进行比较。其中最常用的MvM方法是OnevsOne，在比较过程中选择两类类别来训练模型。
逻辑回归中的正则化参数的作用是限制模型复杂度，防止过拟合： 正则化参数通过加到损失函数中，可以平衡模型的复杂度和泛化能力，防止模型在训练集上表现过好，但在新数据上泛化能力较差。
sklearn中的逻辑回归主要参数包括： 正则化类型：如’L1’、’L2’和’elasticnet’，影响模型的复杂度和泛化能力。 优化算法：如’newtoncg’、’lbfgs’、’liblinear’、’sag’和’saga’，用于求解损失函数的最小值。 分类方式：决定模型如何处理多分类问题，如’ovr’表示OvR方法，’multinomial’表示多项式逻辑回归，’multinomial’在二分类情况下与’ovr’相同，但在多分类情况下不同。
使用sklearn进行逻辑回归分类的步骤： 导入数据集。 使用逻辑回归模型进行训练，设置正则化类型、优化算法等参数。 使用训练好的模型进行预测。 评估模型性能，可能需要通过交叉验证等方法来选择最佳参数组合。