Python数据分析中的逻辑回归：从原理到代码实现
🐍 Python数据分析中的逻辑回归：从原理到代码实现
❝用最通俗的语言，搞懂逻辑回归到底是什么，以及如何用Python轻松上手
📌 一、分类问题，从“是或否”开始
在数据分析中，除了预测房价这样的连续值（线性回归），我们更常遇到的是分类问题：
-
用户会不会点击广告？（是/否）
-
病人是否患有某种疾病？（是/否）
-
这封邮件是垃圾邮件吗？（是/否）
这类问题，答案只有两个选项，我们称之为二分类问题。而解决这类问题最经典、最常用的模型，就是逻辑回归（Logistic Regression）。
虽然名字里有“回归”，但它本质上是分类模型——专门用来处理“是/否”这种问题。
今天，我们就用Python一步步拆解逻辑回归，让你真正理解它的原理和代码实现。
🤔 二、为什么不能用线性回归？
你可能会想：既然线性回归能预测数值，那把“是”设为1，“否”设为0，直接用线性回归不行吗？
答案是不行，而且会有两个严重问题：
1️⃣ 预测值可能“越界”
线性回归的输出是任意实数，可能是1.5、2.3甚至-0.8，而概率必须在0~1之间。如果模型预测出1.5，怎么解释？——150%的概率？显然不合理。
2️⃣ 对异常点太敏感
线性回归希望最小化误差，一旦有个别极端样本（比如年龄很小却患癌），整个回归直线会被“拉偏”，导致分类效果大打折扣。
所以，我们需要一个能将任何实数压缩到0~1之间的函数——这就是Sigmoid函数的由来。
📈 三、逻辑回归的核心：Sigmoid函数
逻辑回归的核心公式只有一行：
[]
其中：
-
( z =
) —— 这就是线性回归的那一套组合。
-
( p ) 就是事件发生的概率，取值范围永远在0~1之间。
这个函数的特点是：
-
当 ( z ) 非常大时，( p ) 趋近于1；
-
当 ( z ) 非常小时，( p ) 趋近于0；
-
当 ( z = 0 ) 时，( p = 0.5 )，刚好是分界线。
有了Sigmoid，我们就可以把任意线性组合的输出，映射成一个合理的概率。
🔍 四、换个角度：对数几率（Logit）
把上面的公式稍微变形：
[ ]
这里 (\frac{p}{1-p}) 叫做几率（odds）——也就是“发生概率”与“不发生概率”的比值。取对数后就是对数几率（log-odds）。
这个等式告诉我们：逻辑回归其实是在用线性回归去拟合对数几率。
这样一来，系数的含义就非常直观了：
-
系数 (
) 表示：(
) 每增加一个单位，对数几率增加多少**。
-
但人们更喜欢用几率比（odds ratio）来解释：(
) 表示 (
🐍 五、Python实战：用逻辑回归预测癌症风险
光说不练假把式，我们用一份简单的医学数据（来自smoke.csv）来演示逻辑回归的完整流程。
5.1 数据预览
数据包含四个字段：
-
age：年龄
-
gender：性别（male/female）
-
smoking：是否吸烟（yes/no）
-
cancer：是否患癌（0=未患癌，1=患癌）——这是我们的目标变量
import pandas as pd
import statsmodels.api as sm
# 读取数据
data = pd.read_csv("smoke.csv")
data.head()
|
age |
gender |
smoking |
cancer |
|---|---|---|---|
|
66.2 |
female |
no |
0 |
|
43.9 |
male |
no |
0 |
|
44.7 |
male |
no |
1 |
|
39.3 |
female |
no |
0 |
|
58.7 |
male |
yes |
1 |
5.2 数据预处理：处理分类变量
逻辑回归只能处理数值，所以我们需要把 gender 和 smoking 转换成虚拟变量。
我们用 pd.get_dummies，并设置 drop_first=True 来避免“虚拟变量陷阱”（多重共线性）。
# 生成虚拟变量
logistics_data = pd.get_dummies(
data,
columns=["gender", "smoking"],
dtype=int,
drop_first=True
)
logistics_data.head()
|
age |
cancer |
gender_male |
smoking_yes |
|---|---|---|---|
|
66.2 |
0 |
0 |
0 |
|
43.9 |
0 |
1 |
0 |
|
44.7 |
1 |
1 |
0 |
|
39.3 |
0 |
0 |
0 |
|
58.7 |
1 |
1 |
1 |
-
gender_male：1表示男性，0表示女性（女性为基准组）
-
smoking_yes：1表示吸烟，0表示不吸烟（不吸烟为基准组）
5.3 划分变量并添加常数项
y = logistics_data['cancer'] # 因变量
X = logistics_data.drop('cancer', axis=1) # 自变量
# 添加常数项（截距）—— 和线性回归一样，不能少！
X = sm.add_constant(X)
为什么又要加一列1？
和线性回归同理，这一列1是截距的“占位符”，模型会自己学习出截距的具体数值，代表“基准风险”。
5.4 拟合逻辑回归模型
result = sm.Logit(y, X).fit()
print(result.summary())
运行后会输出：
Optimization terminated successfully.
Current function value: 0.426845
Iterations 7
以及详细的回归结果表格。
📊 六、结果解读：看懂模型输出
6.1 模型整体怎么样？
-
Pseudo R-squ. = 0.3835：伪R方，类似于线性回归的R²，这里表示模型比空模型（只含截距）有显著改进。
-
LLR p-value = 7.314e-06：远小于0.05，说明模型整体显著，至少有一个变量对癌症有影响。
6.2 哪些变量显著？
-
age 的 p 值 = 0.121 > 0.05，不显著。说明在这个样本中，年龄对患癌的影响不明显（可能样本量小，或关系非线性）。
-
gender_male 的 p 值 = 0.026 < 0.05，显著。
-
smoking_yes 的 p 值 = 0.001 < 0.05，非常显著。
6.3 系数怎么解释？
逻辑回归的系数是对数几率，我们需要转换成几率比（odds ratio）才容易理解。
import numpy as np
print(np.exp(1.8148)) # gender_male 的 odds ratio
print(np.exp(4.4339)) # smoking_yes 的 odds ratio
输出：
6.14
84.26
解释：
-
性别：在其他条件相同的情况下，男性患癌的几率是女性的 6.14倍。
-
吸烟：吸烟者患癌的几率是不吸烟者的 84.26倍！这完全符合医学常识，吸烟对肺癌的影响极大。
🧠 七、总结：逻辑回归的三点核心
-
它解决的是分类问题，输出是0~1之间的概率。
-
核心是Sigmoid函数，把线性组合映射成概率。
-
系数的意义通过对数几率转为几率比，告诉我们每个因素对结果的影响程度。
逻辑回归简单、可解释性强，是许多复杂模型（如神经网络）的基础。当你下次遇到“是/否”的问题，不妨先从逻辑回归开始！
💬 互动时间
你在工作中用过逻辑回归吗？有没有遇到过特别显著的变量？欢迎在评论区分享你的案例～
如果觉得本文对你有帮助，记得点赞、在看、转发三连支持哦！💖
📚 往期精选
（全文完）
这里是“一人公司”的成长家园。我们提供从产品曝光、技术变现到法律财税的全栈内容，并连接云服务、办公空间等稀缺资源，助你专注创造，无忧运营。
更多推荐
9
0- 0
已为社区贡献4条内容
所有评论(0)