之前我们提到了常见的任务和算法，本篇我们使用逻辑回归 来进行分类
| 分类问题 | 回归问题 | 聚类问题 | 各种复杂问题 |
|---|---|---|---|
| 决策树√ | 线性回归√ | K-means√ | 神经网络√ |
| 逻辑回归√ | 岭回归 | 密度聚类 | 深度学习√ |
| 集成学习√ | Lasso回归 | 谱聚类 | 条件随机场 |
| 贝叶斯 | 层次聚类 | 隐马尔可夫模型 | |
| 支持向量机 | 高斯混合聚类 | LDA主题模型 |
目录
一.分类问题
分类是将样本划分到已知的目标类中。它从数据中学习一个分类决策函数或分类模型（也称为分类器classifier)，判断新的未知数据的类别 。分类问题的目标不是连续值，而是有限个离散值，即类别。
这时我们想知道，线性回归的方法可以解决我们的分类问题吗？
但是如果点的分布更复杂，如右下角又多出一些点（图3），从图中看原来的分割线依然有效。但新的回归训练得到的分割线将如图4紫色线所示。已有的点有明显的分类错误，无法在现有训练集上得到好的线性分类函数。
所以我们需要一个分类算法来处理这类问题，也就是我们的逻辑回归。
二.逻辑回归的基本原理
（1）逻辑回归
逻辑回归是一种监督学习算法。通过对有标记的样本数据进行学习，获得一个二分类决策函数，用来预测未知数据的类别。
sigmoid函数可以将负无穷到正无穷的自变量的值得计算结果，映射到0到1的值。
所以说先线性回归再逻辑回归，最后再进行判断的决策。
（2）逻辑回归模型的参数学习
（3）逻辑回归模型的决策边界
而这里的b+w1x1+w2x2 = 0，就是可以看作进行逻辑学习后得到的决策边界。
（4）应用案例：银行贷款审批
（5）小结
三.基于Scikit-learn实现逻辑回归
（1）Python支持的逻辑回归实现
（2）逻辑回归应用案例实现
（3）用逻辑回归实现多元分类
（4）机器学习一般流程总结
四.分类模型的性能评估
（1）平衡问题分类模型的性能评估
接下来我们用代码来实现 ：
（2）非平衡问题分类模型的性能评估
（3）小结
