逻辑回归与利弊

from sklearn.linear_model import LogisticRegression

from sklearn.metrics import accuracy_score, roc_auc_score

clf = LogisticRegression(

penalty='l2',

C=1.0,

max_iter=1000

)

clf.fit(X_train, y_train)

proba = clf.predict_proba(X_test):, 1

pred = clf.predict(X_test)

print("准确率:", accuracy_score(y_test, pred))

print("AUC:", roc_auc_score(y_test, proba))

优点：

· 简单、训练快、可解释性强

· 输出概率，便于做阈值调整

· 系数可以解释为特征对对数几率的影响

· 不容易过拟合，配合正则化效果更好

缺点：

· 决策边界本质上是线性的

· 对非线性关系需要特征工程或核方法

· 对异常值和多重共线性较敏感

· 样本不平衡时需调整权重或阈值

选择需谨慎

文章仅供参考。