sklearn中的邏輯迴歸

  在上一篇部落格中介紹了在邏輯迴歸中新增多項式項，使得生成相對不規則的決策邊界，進而對於非線性的資料進行一個很好的分類。不過，既然引入了多項式項，我們的模型就會變得非常複雜，一不小心就會出現過擬合的情況。解決過擬合的問題，一個常規的手段就是之前學習的模型正則化的方式。

  之前我們學習的模型正則化的方式，都是在損失函式 J ( θ ) J(θ) J(θ) 後面新增一個 L 1 L_1 L1​ 正則項或者 L 2 L2 L2 正則項，並在正則項前新增一個係數 α α α 維持 J ( θ ) J(θ) J(θ) 與正則項之間的平衡。

  不過，我們在邏輯迴歸中使用模型正則化與之前稍有不同，我們不在正則項前新增一個係數，而是在 J ( θ ) J(θ)

  下面我們就來看一下 s k l e a r n sklearn sklearn 是怎麼封裝邏輯迴歸的，與此同時，嘗試在邏輯迴歸中引入正則化。

  之前有提到過說，邏輯迴歸只能解決二分類的問題。但是我們也可以利用一些技巧使得邏輯迴歸能夠解決多分類的問題。

  具體程式碼見 55 sklearn中的邏輯迴歸.ipynb