邏輯迴歸方法：

class sklearn.linear_model.LogisticRegression(penalty='l2', *, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='lbfgs', max_iter=100, multi_class='auto', verbose=0, warm_start=False, n_jobs=None, l1_ratio=None)

可選引數：

• penalty:正則化方式，可選擇‘l1’, ‘l2’, ‘elasticnet’, ‘none’，預設'l2'

• dual:是否選擇對偶，當n_samples> n_features時，首選dual = False

• tol：演算法停止的誤差條件，預設是0.0001

• C：正則強度的倒數；必須為正浮點數，較小的值指定更強的正則化，預設為1.0

• fit_intercept：是否應將常量（也稱為偏差或截距）新增到決策函式。預設是True。

• intercept_scaling：不常用

• class_weight：對類別進行加權，可以使用字典形式加權，輸入‘balanced’代表權重為類別頻率，預設是"None"。

• random_state:選擇隨機種子，打亂樣本時候指定

  。

• solver：指定優化器型別，可選‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’, ‘saga’

  具體的優化方法參考：機器學習中的優化演算法！

• max_iter：演算法收斂的最大迭代次數，預設100。

• multi_class：不常用。

• verbose：對於liblinear和lbfgs，求解器將verbose設定為任何正數以表示詳細程度。

• warm_start：不常用。

• n_jobs：使用核心數。

• l1_ratio：彈性網路引數，其中0 <= l1_ratio <=1。僅當penalty=“ elasticnet”時使用。

返回標籤：

• classes_：返回的類別標籤
• coef_：係數
• intercept_：截距項
• n_iter_：所有類的迭代次數

程式碼展示

# -*- coding: utf-8 -*-
"""
Created on Tue Aug 11 10:12:48 2020

@author: Admin
"""

# 引入資料
from sklearn import datasets
import numpy as np

iris = datasets.load_iris()
X = iris.data[:,[2,3]]
y = iris.target
print("Class labels:",np.unique(y))  #列印分類類別的種類


# 切分訓練資料和測試資料
from sklearn.model_selection import train_test_split
## 30%測試資料，70%訓練資料，stratify=y表示訓練資料和測試資料具有相同的類別比例
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.3,random_state=1,stratify=y)


from sklearn.preprocessing import StandardScaler

sc = StandardScaler()
## 估算訓練資料中的mu和sigma
sc.fit(X_train)
## 使用訓練資料中的mu和sigma對資料進行標準化
X_train_std = sc.transform(X_train)
X_test_std = sc.transform(X_test)

## 畫出決策邊界圖(只有在2個特徵才能畫出來)
import matplotlib.pyplot as plt
%matplotlib inline
from matplotlib.colors import ListedColormap

def plot_decision_region(X,y,classifier,resolution=0.02):
    markers = ('s','x','o','^','v')
    colors = ('red','blue','lightgreen','gray','cyan')
    cmap = ListedColormap(colors[:len(np.unique(y))])

    # plot the decision surface
    x1_min,x1_max = X[:,0].min()-1,X[:,0].max()+1
    x2_min,x2_max = X[:,1].min()-1,X[:,1].max()+1
    xx1,xx2 = np.meshgrid(np.arange(x1_min,x1_max,resolution),
                         np.arange(x2_min,x2_max,resolution))
    Z = classifier.predict(np.array([xx1.ravel(),xx2.ravel()]).T)
    Z = Z.reshape(xx1.shape)
    plt.contourf(xx1,xx2,Z,alpha=0.3,cmap=cmap)
    plt.xlim(xx1.min(),xx1.max())
    plt.ylim(xx2.min(),xx2.max())

    # plot class samples
    for idx,cl in enumerate(np.unique(y)):
        plt.scatter(x=X[y==cl,0],
                   y = X[y==cl,1],
                   alpha=0.8,
                   c=colors[idx],
                   marker = markers[idx],
                   label=cl,
                   edgecolors='black')


#邏輯迴歸   由於標籤有三類，特徵有2個，因此截距和係數也有三對     
from sklearn.linear_model import LogisticRegression

lr = LogisticRegression(C=100.0,random_state=1)
lr.fit(X_train_std,y_train)
print("Class:",lr.classes_)
print("Coef:",lr.coef_)
print("intercept",lr.intercept_)
print("n_iter",lr.n_iter_)

'''
Class: [0 1 2]
Coef: [[-5.61268224 -4.30718677]
 [ 2.40969576 -2.07325711]
 [ 9.51524418  5.39484899]]
intercept [-5.8391281  -0.75730853 -9.21167569]
n_iter [9]

'''
plot_decision_region(X_train_std,y_train,classifier=lr,resolution=0.02)
plt.xlabel('petal length [standardized]')
plt.ylabel('petal width [standardized]')
plt.legend(loc='upper left')
plt.show()


# 預測
## 預測前三樣本在各個類別的概率
print("前三樣本在各個類別的預測概率為：\n",lr.predict_proba(X_test_std[:3,:]))
print("\n============================")
## 獲得前三個樣本的分類標籤
print("\n前三樣本在各個類別的預測類別為：\n",lr.predict(X_test_std[:3,:]))
print("\n============================")

'''
前三樣本在各個類別的預測概率為：
 [[3.17983737e-08 1.44886616e-01 8.55113353e-01]
 [8.33962295e-01 1.66037705e-01 4.55557009e-12]
 [8.48762934e-01 1.51237066e-01 4.63166788e-13]]

============================

前三樣本在各個類別的預測類別為：
 [2 0 0]

============================

'''