邏輯回歸是一種用于解決分類問題的機器學習算法。盡管它的名字中包含「回歸」一詞，但邏輯回歸實際上是一種分類算法，常用于預測二元輸出變量的概率。
邏輯回歸的基本原理是基于線性回歸的概念，但它使用了一個稱為「邏輯函數(shù)」或「sigmoid函數(shù)」的特殊函數(shù)來將預測結(jié)果轉(zhuǎn)換為概率值。這個函數(shù)的輸出范圍在0到1之間，可以表示為概率或概率的對數(shù)比值。邏輯回歸通過學習輸入特征與輸出標簽之間的關(guān)系來建立一個模型。模型使用特征的線性組合，并通過邏輯函數(shù)將結(jié)果映射到概率值。訓練過程中，使用最大似然估計或梯度下降等優(yōu)化算法來調(diào)整模型參數(shù)，使得模型能夠更好地擬合訓練數(shù)據(jù)，并能夠準確地預測新的未知樣本的類別。邏輯回歸廣泛應用于許多領域，包括醫(yī)學、社會科學、金融等。它可以用于預測疾病的發(fā)生與否、判斷客戶是否會購買某個產(chǎn)品、檢測信用卡欺詐行為等二元分類問題。以下代碼將根據(jù)提供的 2 份 E xcel 文件中的坐標點，找到一個能夠劃分兩個數(shù)據(jù)集的函數(shù)曲線，同時生成圖像，并且可以根據(jù)生成模型預測輸入的坐標點屬于 Excel-0 還是 Excel-1。

      
        import numpy as np
      
      
        import pandas as pd
      
      
        import matplotlib.pyplot as plt
      
      
        from sklearn.linear_model import LogisticRegression
      
      
        
          

      
      
        
          # 讀取 Excel 文件（excel的第一列為橫坐標，第二列為縱坐標）
        
      
      
        df_0 = pd.read_excel('./Excel-0.xlsx')
      
      
        df_1 = pd.read_excel('./Excel-1.xlsx')
      
      
        
          

      
      
        
          # 提取第一列和第二列數(shù)據(jù)
        
      
      
        x_0_values = df_0.iloc[:, 0].tolist()
      
      
        y_0_values = df_0.iloc[:, 1].tolist()
      
      
        x_1_values = df_1.iloc[:, 0].tolist()
      
      
        y_1_values = df_1.iloc[:, 1].tolist()
      
      
        
          

      
      
        
          # 組合為指定形式的列表
        
      
      
        data_0 = [[x, y] for x, y in zip(x_0_values, y_0_values)]
      
      
        data_1 = [[x, y] for x, y in zip(x_1_values, y_1_values)]
      
      
        
          

      
      
        
          # 定義兩組數(shù)據(jù)的 x 和 y 坐標
        
      
      
        data_x = np.array(data_0 + data_1)
      
      
        data_y = np.zeros(244, dtype=int)
      
      
        
          data_y[120:] = 1
        
      
      
        
          

      
      
        
          # 創(chuàng)建邏輯回歸模型對象
        
      
      
        model = LogisticRegression()
      
      
        
          

      
      
        
          # 擬合模型
        
      
      
        model.fit(data_x, data_y)
      
      
        
          

      
      
        
          # 創(chuàng)建新的橫坐標數(shù)據(jù)
        
      
      
        new_data = np.array([[3, 3], [6, 6]])
      
      
        
          

      
      
        
          # 使用模型進行預測分類
        
      
      
        predictions = model.predict(new_data)
      
      
        
          

      
      
        
          # 打印預測結(jié)果
        
      
      
        for data, pred in zip(new_data, predictions):
      
      
            print(f"數(shù)據(jù)點 {data} 的預測類別為: {pred}")
      
      
        
          

      
      
        coefficients = model.coef_
      
      
        intercept = model.intercept_
      
      
        
          print("w0:", intercept)
        
      
      
        
          print("w1,w2:", coefficients)
        
      
      
        
          

      
      
        
          # Define the range of the grid points
        
      
      
        x_min, x_max = data_x[:, 0].min() - 1, data_x[:, 0].max() + 1
      
      
        y_min, y_max = data_x[:, 1].min() - 1, data_x[:, 1].max() + 1
      
      
        h = 0.02  # grid step size
      
      
        
          

      
      
        
          # Generate the prediction results
        
      
      
        xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
      
      
        Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
      
      
        Z = Z.reshape(xx.shape)
      
      
        
          

      
      
        
          # Plot the classifier graph
        
      
      
        plt.figure()
      
      
        plt.contourf(xx, yy, Z, alpha=0.8)
      
      
        
          plt.scatter(data_x[:, 0], data_x[:, 1], c=data_y, edgecolors='k')
        
      
      
        plt.xlabel('X')
      
      
        plt.ylabel('Y')
      
      
        plt.title('Logistic Regression Classifier')
      
      
        plt.savefig('my_plot.svg', format='svg')
      
      
        plt.show()