逻辑回归（Logistic）是二分类任务的首选方法。它输出一个 0 到 1 之间的离散二值结果。简单来说，它的结果不是 1 就是 0。所以逻辑回归解决的是分类问题，不是回归问题。它就是通过拟合 一个逻辑函数 （Logit Function ）来预测一个事件发生的概率 所以它预测的是一个概率值。它的输出值应该为 0~1，因此非常适合处理二分类问题。

在 scikit-learn 中的实现类是 LogisticRegression 。

下面以一个Titanic数据集的例子来演示逻辑回归算法

 1 import numpy as np
 2 import pandas as pd
 3 import sklearn
 4 # 从sklearn导入LogisticRegression方法
 5 from sklearn.linear_model import LogisticRegression
 6 # 导入划分训练集和测试集的方法
 7 from sklearn.model_selection import train_test_split
 8 from sklearn.preprocessing import LabelEncoder
 9 from sklearn.metrics import classification_report
10 from sklearn.metrics import accuracy_score
11 
12 
13 #读取数据
14 data = pd.read_csv("./data/titanic/train.csv") 
15 label = LabelEncoder()
16 data['sex'] = label.fit_transform(data['sex'])
17 data['class'] = label.fit_transform(data['class'])
18 data['alone'] = label.fit_transform(data['alone'])
19 #data['Embarked'] = data['Embarked'].astype(str)
20 data['embark_town'] = label.fit_transform(data['embark_town'])
21 
22 features = ['class', 'age', 'n_siblings_spouses', 'parch', 'fare', 'sex', 'alone', 'embark_town','survived']
23 data = data[features]
24 print(data.head())
25 
26 #划分训练集和测试集
27 X = data[['class', 'age', 'n_siblings_spouses', 'parch', 'fare', 'sex', 'alone', 'embark_town']]
28 y = data[['survived']]
29 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=2)#random_state为随机种子，确保每次划分的结果是相同的
30 
31 
32 model = LogisticRegression(penalty='none')  # 请在此处修改 penalty 的参数值,只有l2 和 none两个值
33 model.fit(X_train,y_train)
34 
35 # 测试模型
36 pred_y = model.predict(X_test)
37 # 输出判断预测是否与真实值相等
38 y_predict = model.predict(X_test[:20])
39 # 打印预测结果
40 print('===================预测值=======================')
41 print(y_predict)
42 
43 # 打印真实值
44 print('===================真实值=======================')
45 print(np.array(y_test[:20]).tolist())
46 print('==================预测准确率======================')
47 Accuracy = accuracy_score(y_test[:20], y_predict)
48 print('准确率为：{:.2f}%'.format(Accuracy*100))