一、什么是逻辑回归？
逻辑回归是机器学习中的一个基础的算法，他与线性回归类似，与线性回归不同的是它预测的分类问题。例如根据疾病影像学的病理特征来预测患有某种疾病的概率，邮件垃圾的分类等，逻辑回归广泛应用于医学和社会各领域。
二、逻辑回归的原理：
逻辑回归是监督学习中的一种，它根据大量带有分类标签的特征变量来训练优化模型，在根据模型来预测只有特征变量的分类标签。在鸢尾花案例中，我们通过许多带有分类标签（鸢尾花的三种类别）的特征变量数据来训练预测鸢尾花类别的模型，这些特征变量有：花瓣的长度、花瓣的宽度、花萼的长度、花萼的宽度。为实现预测分类问题的目的我们利用了Logistic函数(或者成为Sigmoid函数):
整个函数的图象如下：
Sigmoid函数有一些特点，比如当z=0是logi(z)=0.5,当z<0时，0<logi(z)<0.5;当z>0时，0.5<logi(z)<1.所以logi(z)函数的取值范围为（0,1）。
其中回归的基本方程为:
我们可以把logi(z)的函数值看成类别为1的概率预测值，当logi(z)<0.5时，我们预测的分类为0；当logi(z)>=0.5时，我们预测的分类为1.
对于多分类，将多个二分类的逻辑回归组合即可实现。
三、鸢尾花案例
1、机器学习通常有以下几个步骤：(1)数据获取和预处理 （2）建立模型 （3）训练优化模型（4）利用模型预测未知问题
所以在这个案例中我们也有相对应的几个步骤：
(1)鸢尾花数据集的获取和预处理 （2）建立逻辑回归模型 （3）向模型“喂”鸢尾花数据从而达到训练优化模型的目的 （4）预测
具体的代码的链接如下：
https://static.app.yinxiang.com/embedded-web/profile/#/join?guid=98bda7ef-5a34-44cb-a9f7-011a1a3c9772&channel=copylink&shardId=s22&ownerId=26956767
四、鸢尾花案例涉及到的类、属性
python语言是一门强对象的编程语言，所以在使用python编程时弄清楚对象之间的层次关系就变得尤为重要了。思维导图就是理解这种层次特别合适的工具。下面就是我对这个案例中模块、属性之间层次关系的梳理。其中蓝色部分的字体代表的是字段，其余的是模块或者是方法。
