逻辑回归是一种用于分类任务的监督学习算法，尤其擅长二分类问题（如判断是否/0或1）。

1. 逻辑回归的核心思想

        核心思想：将线性回归的结果作为参数传递到sigmoid()函数中，底层把连续的值转换为[0,1]区间的概率值,最后设置一个阈值，做二分类任务。
        Api： from sklearn.linear_model import LogisticRegression

2. 损失函数

逻辑回归的损失函数主要有以下两种：

            交叉熵损失函数：交叉熵损失函数（Cross-Entropy Loss），也称为 对数损失（Log Loss），把原来求最大概率的似然函数, 取负对数 ,得到最小化的交叉熵损失函数，这样更简单，更稳定，更容易适配AI通用优化方法: 梯度下降。

                
            似然似然估计-伯努利分布函数：又叫MLE,即 Maximum Likelihood Estimation，是一种统计方法，让联合概率事件最大时，估计w、b的权重参数，即极大似然估计。

            底层优化原理：把原来求最大概率的似然函数，取负对数，得到最小化的交叉熵损失函数，这样更加简单，稳定，更加适配AI通用优化方法: 梯度下降。

3. 逻辑回归的模型评估函数

    分类任务模型的评估函数主要基于混淆矩阵实现

        Api： from sklearn.metrics import  confusion_matrix

        混淆矩阵的概念：

混淆矩阵是机器学习中用于评估分类模型性能的表格。它展示了模型的预测结果与实际标签的对比情况。

 作用：

   直观显示模型的分类错误类型（如误诊、漏检）。

   计算关键指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数等。

    分类任务常用的评估函数：

        准确率：公式：(TP+TN)/总样本数，
                Api：from sklearn.metrics import  accuracy_score
        精确率：  公式：TP/(TP+FP)，
                Api：from sklearn.metrics import  precision_score
        召回率： 公式：TP/(TP+FN)，
                Api：from sklearn.metrics import  recall_score
        F1分数：  公式：2x精确率x召回率/(精确率+召回率)，
                Api：from sklearn.metrics import  f1_score