描述

• 有个重要的前提是需要把问题特征化成特征矩阵（如下）
• 逻辑回归LR是一种有监督式算法**，**大致数据结构是下面这样

Demo代码

• 解读：
  • 其中X是Feature，y是最后分类（如Isbad）。
  • clf是对最终分类进行模型生成，然后使用clf.predict是算法进行预测，。 ```python from sklearn.datasets import load_iris from sklearn.linear_model import LogisticRegression import numpy as np

    X, y = load_iris(return_X_y=True)

    clf = LogisticRegression(random_state=0).fit(X, y)

——

x_train = np.array([[1,2,3],[1,3,4],[2,1,2],[4,5,6],[3,5,3],[1,7,2]]) y_train = np.array([3,3,3,2,2,2]) x_test = np.array([[2,2,2],[3,2,6],[1,7,4]]) clf = LogisticRegression() clf.fit(x_train,y_train) print(clf.predict(x_test)) print(clf.predict_proba(x_test))

分析结果：

预测[2,2,2]的标签是2的概率为0.56651809，3的概率为0.43348191

预测[3,2,6]的标签是2的概率为0.15598162，3的概率为0.84401838

预测[1,7,4]的标签是2的概率为0.86852502，3的概率为0.13147498

```

参考资料

• https://juejin.im/entry/58f220f0a0bb9f006a95b5ef