逻辑回归（Logistic regression，简称LR）虽然其中带有"回归"两个字，但逻辑回归其实是一个分类模型，并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热，但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。

而对于逻辑回归而且，最为突出的两点就是其模型简单和模型的可解释性强。

逻辑回归模型的优劣势:

优点：实现简单，易于理解和实现；计算代价不高，速度很快，存储资源低；
缺点：容易欠拟合，分类精度可能不高

。

一、使用步骤

1.引入库

代码如下（示例）：

import pandas as pdimport numpy as npfrom sklearn import model_selectionfrom sklearn import metricsfrom sklearn.linear_model import LogisticRegression

2.读入数据

代码如下（示例）：

filename='bankloan.xls'data=pd.read_excel(filename)print(data.shape)x=data.iloc[:,[1,2,4,5,6]]y=data.iloc[:,8]

3.数据分割

从原始数据中选取一半进行训练，另一半进行数据测试

代码如下（示例）：

x_train,x_test,y_train,y_test = model_selection.train_test_split(x,y,test_size = 0.1,random_state = 9)print(x_train)print(x_test)print(y_train)print(y_test)lr = LogisticRegression()lr.fit(x_train,y_train)print(u'逻辑回归模型训练结束。')

4.模型评价

print(u'模型的平均正确率为：%s'% lr.score(x_train,y_train))y_pred = lr.predict(x_test)#预测Y值print(y_pred)print(y_test.shape)#查看测试结果print(metrics.confusion_matrix(y_test,y_pred))#查看混淆矩阵print(metrics.classification_report(y_test,y_pred))#评估报告print("测试集的正确率：\n",lr.score(x_test,y_test))

开发者涨薪指南 48位大咖的思考法则、工作方式、逻辑体系