Logistic回归：是广义线性回归的特例，利用Logistic函数将y的取值控制在[0,1], 表示取值为1的概率。
设因变量Y等于1的概率为p, 则Y=0的概率为1-p
当p在（0,1）之间变化时，odds的取值范围是（0，+∞），则z的取值范围是（-∞，+∞）。
Logistic模型：
建模步骤：
1.根据分析目的设置自变量x因变量y，然后收集数据，根据收集到的数据，对特征再次筛选
3.模型检验：检验指标有准确率（accuracy），混淆矩阵（confusion matrix），ROC曲线（receiver operating characteristic），KS值
4.模型应用：输入自变量即可得到预测变量的值
*注：
Feature selection: 可以通过F检验（f-regression）提取特征的F值和p值，选择F较大，p较小的特征。还有递归特征消除（recursive feature elimination，RFE）和稳定性选择（stability selection）。
递归特征消除：通过反复构建模型（SVM or Regression）然后选出最好或者最差的特征，把选出来的特征放到一边，在剩余的特征中继续重复这个过程，直到遍历所有特征。递归过程中特征被消除的次序就是特征的排序。
稳定性选择：通过重复在不同的数据子集和特征子集上运行特征选择算法（SVM，regression），然后最终汇总特征选择结果。汇总方法例：统计某个特征被选择为重要特征的频率。Sklearn在随机LassoRegression和随机LogisticRegression中有队稳定性选择的实现。
Logistic的本质是线性模型，所以有效性检验本质上还是在做线性相关检验，因此能说明筛选出的变量跟结果有较强的线性相关性，然后被筛掉的变量并不一定跟结果无关，可能是非线性关系，可用决策树和神经网络筛选。
