一、逻辑回归核心概念
1.1 什么是逻辑回归？
逻辑回归（Logistic Regression）是一种分类算法（而非回归算法），核心目标是预测样本属于某一类别的概率，特别适用于二分类问题（如 "是否违约""是否患病"），也可扩展到多分类场景。
1.2 与线性回归的核心区别
二、逻辑回归核心原理
2.1 Sigmoid 函数：从线性到概率的转换
逻辑回归的核心是通过 Sigmoid 函数，将线性回归的连续输出映射到 [0,1] 区间，从而表示 "属于正类" 的概率。
函数定义：
2.2 损失函数与优化
逻辑回归使用对数似然损失函数（也叫交叉熵损失），衡量模型预测概率与真实标签的偏差：
损失化函数：
优化方法：梯度下降梯度下降的核心思想是 "沿损失函数下降方向调整参数"，类比 "蒙眼下山找最低点"，通过迭代更新参数 θ，最小化损失函数：
三、正则化技术：解决过拟合的核心手段
3.1 正则化的本质
正则化是在损失函数中加入权重惩罚项，强迫模型参数（权重）变小，降低模型复杂度，从而避免过拟合（模型 "死记硬背" 训练集，泛化能力差）。
3.2 两种常用正则化
正则化法则
（1）L1 正则化：特征选择神器
惩罚项：
特点：会让部分权重直接变为 0，相当于自动筛选重要特征，适合高维数据（如电商用户特征、文本特征）。
（2）L2 正则化：最常用的权重衰减
惩罚项：
特点：让所有权重都变小且均匀，不会直接置 0，能有效降低模型复杂度，是工业界最常用的正则化方式（也叫 "权重衰减"）。
3.3 正则化强度 C 的选择（核心实战）
在 sklearn 中，C是正则化强度 λ 的倒数（C=1/λ）：
C 越小 → λ 越大 → 正则化越强 → 模型越简单（防止过拟合）；
C 越大 → λ 越小 → 正则化越弱 → 模型越复杂（易过拟合）。
（1）手动选择思路（按业务目标优化）
如果业务核心目标是召回率（Recall）（如风控场景 "不漏掉坏样本"），步骤如下：
-
定义 C 的搜索范围：按对数尺度选取，覆盖强→弱正则化，如[0.01, 0.1, 1, 10, 100]；
-
交叉验证评估：对每个 C 值做 5/10 折交叉验证，计算召回率平均值；
-
绘制 C-Recall 曲线：找到召回率峰值对应的 C 值（C 太小欠拟合、太大过拟合）。
（2）自动化选择：网格搜索 + 交叉验证（推荐）
通过代码自动遍历候选 C 值，结合交叉验证选择最优值，是工业界最稳健的方法：
python
from sklearn.model_selection import GridSearchCV
from sklearn.linear_model import LogisticRegression
# 1. 定义基础模型
model = LogisticRegression(penalty='l2', solver='liblinear', class_weight='balanced')
# 2. 定义C的搜索范围
param_grid = {'C': [0.01, 0.1, 1, 10, 100]}
# 3. 5折交叉验证，按召回率优化（可替换为accuracy/precision）
grid_search = GridSearchCV(model, param_grid, cv=5, scoring='recall')
grid_search.fit(X_train, y_train)
# 4. 输出最优参数
print("最佳正则化强度C:", grid_search.best_params_['C'])
print("最优模型召回率:", grid_search.best_score_)四、Sklearn 实战：逻辑回归参数配置
4.1 核心参数说明
python
from sklearn.linear_model import LogisticRegression
# 核心参数配置
model = LogisticRegression(
penalty='l2', # 正则化方式：l1/l2
C=1.0, # 正则化强度（越小正则化越强）
solver='liblinear', # 优化算法（关键！根据数据规模选择）
max_iter=100, # 最大迭代次数（确保模型收敛）
class_weight='balanced' # 处理类别不平衡（如正样本占1%，负样本占99%）
)4.2 优化算法（solver）选择
|-------|-----------|-------------|
| 场景 | 推荐 solver | 原理 |
| 小数据集 | liblinear | 坐标下降法（稳定） |
| 大数据集 | sag/saga | 随机平均梯度下降（快） |
| 多分类问题 | lbfgs | 拟牛顿法（支持多分类） |
五、过拟合 / 欠拟合与数据量不足的处理
5.1 过拟合 vs 欠拟合
|-----|---------------|-------------|
| 问题 | 表现 | 核心原因 |
| 欠拟合 | 训练集 / 测试集效果都差 | 模型太简单，没学到特征 |
| 过拟合 | 训练集好，测试集差 | 模型太复杂，过度拟合 |
5.2 过拟合解决方法
-
增加正则化强度：减小 C 值（如从 1→0.1），强迫模型简化；
-
交叉验证：将数据分成训练集 + 验证集 + 测试集，用验证集调参，测试集仅做最终评估；
常用 10 折交叉验证：将数据分 10 份，轮流用 9 份训练、1 份测试，取平均值评估，减少数据划分的随机性偏差；
- 减少特征维度：删除冗余 / 噪声特征，降低模型复杂度。
5.3 数据量不足的处理
-
精简测试集：仅留 10% 数据做最终测试，90% 用于训练 + 交叉验证；
-
数据增强：对现有数据做轻微变换（如数值特征加噪声、类别特征重采样）；
python
from sklearn.utils import resample
# 重采样增强数据（示例）
X_resampled, y_resampled = resample(X_train, y_train, n_samples=10000, random_state=42)3.结合强正则化：数据少易过拟合，选择更小的 C 值（如 0.01）。
六、完整实战代码
python
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, recall_score
from sklearn.preprocessing import StandardScaler
# 1. 数据准备（替换为你的数据路径）
data = pd.read_csv('your_data.csv')
X = data.drop('target', axis=1) # 特征
y = data['target'] # 标签（0/1）
# 2. 数据标准化（逻辑回归对特征尺度敏感，必须做！）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
# 3. 划分训练集（90%）和测试集（10%）
X_train, X_test, y_train, y_test = train_test_split(
X_scaled, y, test_size=0.1, random_state=42 # 少留测试集，解决数据量不足
)
# 4. 网格搜索选择最优C值（按召回率优化）
param_grid = {'C': [0.01, 0.1, 1, 10, 100]}
base_model = LogisticRegression(penalty='l2', solver='liblinear', class_weight='balanced')
grid_search = GridSearchCV(base_model, param_grid, cv=10, scoring='recall')
grid_search.fit(X_train, y_train)
best_C = grid_search.best_params_['C']
# 5. 用最优C值训练最终模型
final_model = LogisticRegression(
penalty='l2',
C=best_C,
solver='liblinear',
class_weight='balanced',
max_iter=200
)
final_model.fit(X_train, y_train)
# 6. 模型评估
y_pred = final_model.predict(X_test)
print(f"最优C值: {best_C}")
print(f"测试集准确率: {accuracy_score(y_test, y_pred):.4f}")
print(f"测试集召回率: {recall_score(y_test, y_pred):.4f}")Sigmoid 函数是逻辑回归的核心，将线性输出转换为 [0,1] 区间的概率，是分类的基础；
正则化通过惩罚权重解决过拟合，L2 更常用，C 值越小正则化越强（需结合交叉验证选择）；
实战关键：数据标准化、按业务目标（如召回率）调参、用交叉验证避免过拟合，小数据集需精简测试集 + 强正则化。