我们来看看逻辑回归处理样本数据的案例，假如说要分类的样本长这样
所有的数据下载地址：https://gitee.com/tianyalei/machine_learning，按对应章节查找。
这是一个最简单的二维平台线性关系，数据集是data1.csv。
长这个样子：
a,b,result 34.62365962451697,78.0246928153624,0 30.28671076822607,43.89499752400101,0 35.84740876993872,72.90219802708364,0 60.18259938620976,86.30855209546826,1 79.0327360507101,75.3443764369103,1 45.08327747668339,56.3163717815305,0
导入到weka中后，我们需要修改一下result的类型，可以看到现在它是numeric，是数值型，我们需要将它转为nominal类型，即分类型。
我们点击右上角的save，保存为arff文件，然后打开arff，将result属性改成这样保存，并重新打开这个arff。
@attribute result {0,1}
也可以使用Filter，在Choose找到unsupervised（无监督）—— attribute找到numericToNominal，然后点击Choose右边的框，来设置参数。
我们把first-last改成3，代表只对第3个属性使用该Filter、然后点击Filter栏的apply。
处理过后，当我们点击a、b时，右下角的预览图就会明确给出不同的范围内，结果为1和0的比例。
红的为1，蓝的为0.可以明显的看出，随着x的增大，结果为1的比例越来越大。
OK，下面开始上算法。找到logistic，
我们选择Cross-validation，点击start，看看结果。
来解释结果：
Odds Ratios代表胜率，解释看这篇，我也搞不懂这玩意有啥用。
主要还是看Summary和Matrix，每个代表的涵义看这篇。
我只说重要的，成功率是90%，也就是共100个数，有90个预测对了。
TP代表本来为true，机器预测也为true的概率。可以看到本来为0的有0.875被成功预测为0，本来为1的有0.917被预测为1.平均是0.9，也就是90%。
Recall召回率，又称查全率。表示识别正确的实例数，占该类别的实例的总数。由于该实例不存在空值，所有和TP相等。
ROC Area越接近于1，代表预测结果越好。
下面的Matrix代表：
有35个本来为0的被成功预测为0，有5个本来为0的被预测错误。
有55个本来为1的本成功预测为1，有5个本来为1的被预测错误。
所以正确率90%。