构建逻辑回归分类器
逻辑回归是分类方法，主要解决二分类问题。
在逻辑回归中使用了 Logistic 函数，也称为 Sigmoid 函数。
为什么逻辑回归算法是基于 Sigmoid 函数实现的呢？你可以这样理解：我们要实现一个二分类任务，0 即为不发生，1 即为发生。我们给定一些历史数据 X 和 y。其中 X 代表样本的 n 个特征，y 代表正例和负例，也就是 0 或 1 的取值。通过历史样本的学习，我们可以得到一个模型，当给定新的 X 的时候，可以预测出 y。这里我们得到的 y 是一个预测的概率，通常不是 0% 和100%，而是中间的取值，那么我们就可以认为概率大于 50% 的时候，即为发生（正例），概率小于 50% 的时候，即为不发生（负例）。这样就完成了二分类的预测。
在sklearn 中，我们使用** LogisticRegression() 函数**构建逻辑回归分类器，构造参数：
- penalty：惩罚项，取值为 l1 或 l2，默认为 l2。当模型参数满足高斯分布的时候，使用 l2，当模型参数满足拉普拉斯分布的时候，使用 l1；
- solver：代表的是逻辑回归损失函数的优化方法。有 5 个参数可选，分别为 liblinear、lbfgs、newton-cg、sag 和 saga。默认为 liblinear，适用于数据量小的数据集，当数据量大的时候可以选用 sag 或 saga 方法。
- max_iter：算法收敛的最大迭代次数，默认为 10。
- n_jobs：拟合和预测的时候 CPU 的核数，默认是 1，也可以是整数，如果是 -1 则代表 CPU的核数。
模型评估指标
之前对模型做评估时，通常采用的是准确率 (accuracy)，它指的是分类器正确分类的样本数与总体样本数之间的比例。这个指标对大部分的分类情况是有效的，不过当分类结果严重不平衡的时候，准确率很难反应模型的好坏。
对于分类不平衡的情况，有两个指标非常重要，它们分别是精确度和召回率。
P 或 N 代表预测为正例还是负例，P 为正，N 为负；T 或 F代表的是预测结果是否正确，T 为正确，F 为错误。
精确率 P = TP/ (TP+FP)，对应怖分子例子，在所有判断为恐怖分子的人数中，真正是恐怖分子的比例。
召回率 R = TP/ (TP+FN)，也称为查全率。代表的是恐怖分子被正确识别出来的个数与恐怖分子总数的比例。
F1指标综合了精确率和召回率，F1 作为精确率 P 和召回率 R 的调和平均，数值越大代表模型的结果越好。
