logit函数输入参与p属于（0,1），函数值为整个实数域，可以在特征值与逻辑比率之间建立线性关系
这里
样本x属于分类1的条件概率 现在如何去预测一个特定样本属于一个特定类的概率，转化一个函数形式，
注意这里是y=1的概率，后面算似然函数特别注意这点，这里y|x只有两个分类，y=1|x,y=0|x,P(y=0|x)=1-P(y=1|x),注意下面的处理手法，
似然函数
将问题转化一下，求lnL最大值，也就是求-lnL最小值，易知-lnL>0
为了更好掌握损失函数J(w)，看一下单个样本的例子
y=1或者y=0
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0.001, 0.999, 100)
plt.plot(x, -np.log(x),'b', label='y=1')
plt.plot(x, -np.log(1-x), 'r--', label='y=0')
plt.ylim(0, 5)
plt.xlim(0, 1)
plt.xlabel('$phi(x)$')
plt.ylabel('$J(w)$')
plt.legend()
plt.show()
可以发现如果预测错误，损失函数将变的无穷大
使用sc-learn训练logistic regression 模型
代码语言：javascript复制from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.cross_validation import train_test_split
import numpy as np
import matplotlib
from sklearn import datasets
import matplotlib.pyplot as plt
from sklearn.metrics import accuracy_score
from matplotlib.colors import ListedColormap
iris = datasets.load_iris()
# print iris
X = iris.data[:, [2, 3]]
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
sc = StandardScaler()
sc.fit(X_train)
X_train_std = sc.transform(X_train)
# 测试集做同样的标准化，就是对测试集做相同的平移伸缩操作
X_test_std = sc.transform(X_test)
'''sc.scale_标准差, sc.mean_平均值, sc.var_方差'''
lr = LogisticRegression(C=1000.0, random_state=0)
lr.fit(X_train_std, y_train)
# 预测
y_pred = lr.predict(X_test_std)
print('Misclassified samples: %d' % (y_test != y_pred).sum())
print('Accuracy: %.2f' % accuracy_score(y_test, y_pred))
x1_min, x1_max = X_train_std[:, 0].min() - 1, X_train_std[:, 0].max() 1
x2_min, x2_max = X_train_std[:, 1].min() - 1, X_train_std[:, 1].max() 1
resolution = 0.01
# xx1 X轴，每一个横都是x的分布，所以每一列元素一样，xx2 y轴 每一列y分布，所以每一横元素一样
xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution),np.arange(x2_min, x2_max, resolution))
# .ravel() 函数是将多维数组降位一维，注意是原数组的视图，转置之后成为两列元素
z = lr.predict(np.array([xx1.ravel(), xx2.ravel()]).T)
'''
contourf画登高线函数要求 *X* and *Y* must both be 2-D with the same shape as *Z*, or they
must both be 1-D such that ``len(X)`` is the number of columns in
*Z* and ``len(Y)`` is the number of rows in *Z*.
'''
# ｚ形状要做调整
z = z.reshape(xx1.shape)
# 填充等高线的颜色, 8是等高线分为几部分
markers = ('s', 'x', 'o', '^', 'v')
colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')
cmap = ListedColormap(colors[:len(np.unique(y))])
for i, value in enumerate(np.unique(y)):
temp = X_train_std[np.where(y_train==value)]
plt.scatter(x=temp[:,0],y=temp[:,1], marker=markers[value],s=69, c=colors[value], label=value)
plt.scatter(x=X_test_std[:, 0],y=X_test_std[:,1], marker= 'o',s=69, c='none', edgecolors='r', label='test test')
plt.xlim(xx1.min(), xx1.max())
plt.ylim(xx2.min(), xx2.max())
plt.xlabel('petal length [standardized]')
plt.ylabel('petal width [standardized]')
plt.contourf(xx1, xx2, z, len(np.unique(y)), alpha = 0.4, cmap = cmap)
plt.legend(loc='upper left')
plt.show()
对个样本的损失函数求导
使用正则化（regularization）处理过拟合（overftting ）
在机器学习中，过拟合是一个普遍问题，模型对于训练数据有很好表现，但对于测试数据的表现却很差。如果一个模型出现过拟合，也可以说模型具有高方差，包含太多参数，这对于潜在数据太过复杂；再就是低度拟合（underftting），对训练数据和测试数据都不能很好的刻画
一种方法就是通过正则化达到偏差-方差权衡（ bias-variance tradeoff），调整模型的复杂度。正则化是一种非常有用的方法，例如处理共线性、过滤噪音、防止过拟合。 最普遍的正则化就是所谓的L2regularization
为了应用正则化，需要在损失函数加上正则化项！
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.ticker import MultipleLocator, FormatStrFormatter
xmajorLocator = MultipleLocator(2)
xminorLocator = MultipleLocator(1)
ymajorLocator = MultipleLocator(0.5)
N = 7
x = np.linspace(-N, N, 100)
z = 1/(1 np.e**(-x))
fig = plt.figure(1)
axes = plt.subplot(111)
plt.ylim(-0.1, 1.1)
plt.axvline(0.0, color='k')
plt.axhline(0, ls='dotted',color='r')
plt.axhline(0.5, ls='dotted',color='r')
plt.axhline(1, ls='dotted',color='r')
#plt.axhspan(0.0,1.0, facecolor='1.0', alpha=1.0, ls='dotted')
axes.xaxis.set_major_locator(xmajorLocator)
axes.xaxis.set_minor_locator(xminorLocator)
axes.yaxis.set_major_locator(ymajorLocator)
plt.xlabel("z")
plt.ylabel("$phi (z)$")
plt.plot(x, z)
plt.show()
