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）
逻辑回归通过正则化来防止过拟合；正则化可以防止过拟合是因为过拟合的时候，拟合函数的系数往往非常大，而正则化是
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，以L2正则化为例，正则项会使权重趋于0，就
意味着大量权重就和0没什么差别了，此时网络就变得很简单，拟合能力变弱，从高方差往高偏差的方向移动。
2.用logiftic回归来进行实践操作，数据不限。
# （1）加载load_breast_cancer数据集，并划分训练集与测试集。 from sklearn.datasets import load_breast_cancer from sklearn.model_selection import train_test_split cancer = load_breast_cancer() x = cancer.data y = cancer.target x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=5) # （2）训练模型，并计算训练数据集的评分数据和测试数据集的评分数据，以及查看测试样本中预测正确的个数。 from sklearn.linear_model import LogisticRegression from sklearn.metrics import classification_report model = LogisticRegression() model.fit(x_train, y_train) y_pre = model.predict(x_test) print(‘训练数据集的评分：‘, model.score(x_train, y_train)) print(‘测试数据集的评分：‘, model.score(x_test, y_test)) print(‘预测个数：‘, x_test.shape[0]) print(‘预测正确个数：‘, x_test.shape[0] * model.score(x_test, y_test)) print("召回率", classification_report(y_test, y_pre))
原文：https://www.cnblogs.com/sgczw/p/12788015.html