第十七天，我們要從「數值預測（回歸）」轉向機器學習另一大主流應用——分類問題（Classification）。昨天的線性回歸用來預測連續數值（如薪水、房價），但現實中有更多問題屬於二元判斷，例如：這封信是正常信還是垃圾郵件？客戶會續約還是流失？這名受檢者是有病還是健康？處理這類二元分類最經典且穩健的演算法就是邏輯斯迴歸（Logistic Regression）。今天我們建立純 Python 腳本 day17_logistic_regression.py，掌握機率轉換、分類門檻判斷，以及使用混淆矩陣（Confusion Matrix）全面評估模型表現。

第一部分
新建 day17_logistic_regression.py。首先模擬一組受檢者的「年齡」、「體質指數（BMI）」與「是否罹患高血壓（0 為否，1 為是）」的資料集，使用 train_test_split 切分訓練集與測試集，並建立且擬合邏輯斯迴歸模型：

第二部分
邏輯斯迴歸本質是透過 Sigmoid 函數輸出「0 到 1 之間的機率值」。我們可以使用 predict_proba() 檢視樣本屬於正樣本（罹病）的具體信心程度，並使用預設門檻 0.5 轉換為預測類別（0 或 1）：

第三部分
評估分類模型不能單看準確率（Accuracy），特別是在類別不平衡或醫療診斷情境下，漏診（False Negative）與誤診（False Positive）的代價截然不同。我們計算混淆矩陣與綜合指標報告（Precision、Recall、F1-Score），並利用 Seaborn 繪製混淆矩陣熱力圖：

第四部分
在終端機輸入 python day17_logistic_regression.py 執行驗證，確認權重、前 5 筆機率值、分類評估報告完整印出，且圖片 day17_confusion_matrix.png 生成完畢。確認存檔（Ctrl + S）後推送到遠端儲存庫：

今日心得/遇到的問題
今天跨入了分類問題的世界。雖然名字帶有「迴歸（Regression）」，但邏輯斯迴歸本質是用於預測離散的類別標籤。今天特別學會了混淆矩陣（Confusion Matrix）的判讀：真正例（TP）、偽正例（FP）、真反例（TN）與偽反例（FN）。在醫療或風險控制場景中，召回率（Recall，真實有病的人抓出多少）往往比整體的單純準確率更具參考價值。另外在切分資料時加上 stratify=y，可以確保訓練集與測試集保有相同比例的正負樣本，這是一個非常實用的分層抽樣技巧。