逻辑回归的输出结果是判定二分类的，在实际问题中可用来解决二分类问题，当然也可利用多次的oneVSother来解决多分类问题。
现在我们有270人的身体指标数据，包括年龄、性别、心率最大值、以及是否患有心脏病等数据。现在我们要利用逻辑回归来判断一个人是否患有心脏病。也就是根据逻辑回归的输出判定一条数据是类1，还是类0。本例中患心脏病为类0。
逻辑回归最关键的就是理解Sigmoid函数，也称为Logistic函数，其表达式、图像分别为：
通过图像可以更好的理解为什么被称为Logistic函数。
不难看出，此函数的输出是0-1之间的数。针对单条数据，我们这么考虑这个问题，把这个函数的输出值看作属于类1的概率，如果这条数据是类1，我们就让这个函数的值接近1；如果这条数据是类0，我们就让1减去这个函数的值接近1。多条数据的说明见下文。
下面介绍如何评价一个分类器的好坏：在评价时，一般把两种类别称为正类和负类。其中我们比较关心的类别是正类，例如本例中我们把没有心脏病的看作正类。
一、混淆矩阵法
其中准确率(ar)：预测类别正确的样本占所有样本的比例；
精确率(pr)/查准率：正类样本中预测正确的与所有预测为正类的样本数的比；
召回率(rr)/查全率：正类样本中预测正确的占所有实际正类的比例；
综合考量：F度量(Fa)：精确率和召回率的加权调和平均值，其形式为：
当a=1时，F1是精确率和召回率的调和均值，
二、ROC曲线[二分类]
绘制ROC曲线，需要用到以下2个定义：
False Positive Rate(FPR，假正率)：所有实际为负类的样本中，被错误地判断为正类的比例。
True Positive Rate(TPR，真正率)：所有实际为正类的样本中，被正确地判断为正类的比例。
以逻辑回归为例，因为函数的输出值是一个0到1之间的数，并不是确切的0或者1，在这里面，其实是有一个阈值的。本例中这个阈值就是0.5[后文会提到]。也就是说如果函数的输出值大于等于0.5，则说明预测的为类1，否则的话，预测的为类0。因此设置不同的阈值，分类器最终的预测结果就不同。每一个阈值，都会对应一个不同的FPR和TPR，将FPR从的值小到大排列，组成X轴，对应的TPR为Y轴，构成ROC曲线。见下图：
实例：心脏病预测
下面给出阈值为0.5时，分类器得到的混淆矩阵：
通过计算可以得到：
源码下载，扫描关注微信订阅号pythonfan， 获取更多实例和代码。
