1.逻辑回归是怎么防止过拟合的？为什么正则化可以防止过拟合？（大家用自己的话介绍下）
1）随着模型训练的进行，模型的复杂度会增加，此时模型在训练数据集上的训练误差会逐渐减小，但是在模型的复杂度达到一定程度时，模型在验证集上的误差反而随着模型的复杂度增加而增大。此时便发生了过拟合，即模型的复杂度升高，为了防止过拟合，我们需要用到一些方法，如：early stopping、数据增强、正则化、Dropout等对模型进行训练的过程即是对模型的参数进行学习更新的过程，这个参数学习的过程往往会用到一些迭代方法，如梯度下降学习算法。Early stopping便是一种迭代次数截断的方法来防止过拟合，即在模型对训练数据集迭代收敛之前停止迭代来防止过拟合。
2）正则化是通过约束参数的范数使其不要太大，所以可以在一定程度上减少过拟合情况。
2.用logiftic回归来进行实践操作，数据不限。
#案列：使用逻辑回归算法预测研究生入学考试是否会被录取 import pandas as pd from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report #（1）数据读取与预处理 data = pd.read_csv('./data/LogisticRegression.csv') x = data.iloc[:, 1:] y = data.iloc[:, 0] x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=5) #（2）构建模型 LR_model = LogisticRegression() #(3)训练模型 LR_model.fit(x_train, y_train) #(4)预测模型 pre = LR_model.predict(x_test) print('模型的正确率:',LR_model.score(x_test, y_test)) print('输出模型的分类报告：', classification_report(y_test, pre))
