邏輯迴歸是分類還是迴歸演算法呢？

白話來說包含“迴歸”，但實際上它是一個分類算法，而不是回歸算法～對特徵的線性關係也就是二元分類問題敏感分得不錯～～～

• 分類問題：邏輯迴歸主要用於處理二元分類問題，即將數據劃分為兩個類別，分類問題：邏輯迴歸主要用於處理二元分類問題，即將數據劃分為兩個類別，
  假設：邏輯迴歸基於一個假設，即數據可以用一個 S 形曲線（稱為 logistic 函數或 sigmoid 函數）來描述
  工作流程：

• 特徵選擇：選擇對於分類任務來說是重要的特徵。

• 訓練模型：將選擇的特徵和標籤用於訓練邏輯回歸模型。

• 計算概率：使用 sigmoid 函數計算每個樣本屬於正類的概率。

• 決策邊界：根據設定的閾值（通常是 0.5）將概率轉換為分類預測。

• 損失函數和參數更新：
  在訓練過程中，我們通過最小化損失函數來調整模型參數。對於邏輯回歸，通常使用的損失函數是對數損失（Log Loss）。

• 優點：
  簡單而有效，特別適合作為基線模型。
  能夠提供樣本屬於特定類別的概率。

• 注意事項：
  邏輯回歸是一個線性分類器，只能處理線性可分的問題。如果數據不是線性可分的，可能需要進行特徵工程或者考慮其他非線性模型。

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, classification_report

# 載入鳶尾花數據集
iris = load_iris()
X = iris.data
y = iris.target

# 將數據集劃分為訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 初始化邏輯回歸模型
logistic_reg = LogisticRegression()

# 在訓練集上訓練模型
logistic_reg.fit(X_train, y_train)

# 在測試集上進行預測
y_pred = logistic_reg.predict(X_test)

# 評估模型
accuracy = accuracy_score(y_test, y_pred)
report = classification_report(y_test, y_pred)

# 打印結果
print(f'準確度：{accuracy}')
print(f'分類報告：\n{report}')