一、原理

                 结果数值仅有0和1，无法使用直接线性模型

         公式原型：（由  和  组合而成）

                 曲线表示概率

二、Python实现

        ①工作路径设置

        ②数据预处理

        ③逻辑回归模型的创建和拟合

from sklearn.Linear_model import logisticcRegression --分属线性回归模型
classifier = logisticRegression(random_state = 0)
calssifier.fit(x_train,y_train)    --拟合

        ④预测与评估(混淆矩阵)

y_pred = classifier.predict(x_test)    --预测结果

from sklearn.merics import confusion_matrix    --导入混淆矩阵
cm = confusion_matrix(y_test,y_pred)    --真实分类，预测结果

--绘制图像
from matplotlib,colors import ListedColormap    --引入图像类
x_set,y_set = x_train,y_train    --临时变量
 
x1,x2 = np.meshgrid(np.arange(start = x_set[:0],min()-1,stop=x_set[:,0].max()+1,setp=0.01),
                    np.arange(start = x_set[:1],min()-1,stop=x_set[:,1].max()+1,setp=0.01))
--设置画布，-1和+1是为了图像边缘留白
 
plt.contourf(x1,x2,classifier.predict(np.arry([x1.ravel(),x2.ravel()].T).reshape(x1.shape),
                    alpha=0.75,camp=ListedColormap('red','green')))
--将分类器着色（按照0,1）
 
plt.xlim(x.min(),x.max())
plt.ylim(y.min(),y.max())
--标注最大最小值
 
for i,j in enumerate(np.unique(y_set)):
    plt.scatter(x_set[y_set==j,0],x_set[y_set==j,1],c=ListedColormap(('orange','bule'))(i),
        label=j)
--循环画点
 
plt.title('逻辑回归图像')
plt.xlabel='年龄'
plt.ylabel='收入'
 
plt.legend()
plt.show()

         此情况实际是非线性的，故使用线性分类器会造成部分样本的错误分类。