二分类逻辑回归：
前面两篇文章针对的是因变量为连续型的，若针对因变量为类别型，线性回归便不再适用。
二分类预测适用场景：选举，中奖，比赛输赢，健康与否，行业未来等。
分类器预测思路：
将带有结果的样本分为训练集和测试集，进行机器学习。训练集用于计算模型，测试集检验模型的准确率。训练集和测试集参数均通过后，可用于预测模型。

《鸢尾花预测》案例

样本数据如下：

共有九十个样本。目的为通过萼片长/宽/花瓣长/宽来预测是否为鸢尾花。

1）打开datahoop平台，上传数据，选择逻辑回归模型

2）确定自变量和因变量

3）参数设置
测试集占整体样本的20%

4）结果查看
训练集结果：训练集A的正确率95%；精准率P0（判断为0的正确率）=92.5%，精准率P1（判断为1的正确率）=100%；召回率R0（样本为0的正确率）=100%，召回率R1（样本为1的正确率）=91.4%;F1得分1=2P1R1/(P1+R1)=95.5%,F1得分0=2P0R0/(P0+R0)=96.1%.


测试集结果：完美。


5）导入鸢尾花预测数据进行预测
共10个数据

逻辑流程图如下：

6）预测结果查看
10个样本中预测有5个样本为鸢尾花（1）

这就是二分类逻辑回归适用范围以及操作步骤啦~
重点为正确率/准确率/召回率/F1得分等指标的判断，以及混肴矩阵的分析。