逻辑回归（Logistic Regression）是最常用的分类算法之一，因其简单直观可解释而广受欢迎。它来源于统计学中的广义线性模型（GLM），也是机器学习领域的基本算法。 因本文重在分享对模型变量重要性的可视化，故在这里不对模型原理做过多说明。感兴趣的读者可以参考以下几篇文章。

对于模型的思想、推导等步骤，可以参考以下文章。 Logistic Regression(逻辑回归)详细讲解

对于模型系数的解读，可参考以下文章。 对一般Logistic模型系数的解释 正确打开/解读Logit模型系数的方式——离散选择模型之四

对广义线性模型的介绍，可参考这篇。 广义线性模型到底是个什么鬼？

简单地说，逻辑回归模型的变量系数，反映变量变动对比值比 y/1-y（odd）的影响，即对样本X作为正例的相对可能性的影响。

这里我们先建立模型，输出系数，供后面可视化使用。

利用sklearn，我们可以很容易地建立逻辑回归模型。建模完毕后，除了直接调用 lr.predict 函数进行预测，往往还需要对模型进行解释，看看哪些变量对目标值（这里是logit(y/1-y)）的影响更大。但逻辑回归不同于随机森林等基于树的模型，模块中没有直接对变量重要性进行可视化的函数。因此，我们只能先输出变量系数coef_，然后利用Matplotlib等绘图包进行可视化。 可视化模型系数时，条形图通常是个不错的选择。但如果直接调用pandas的plot接口作图，会存在两个问题：第一，条形顺序依靠模型中的变量顺序，无法对变量重要性进行排序；第二，条形图中无法显示模型系数具体数值，只能简单依靠条形长短直观判断，不够精确。 因此，一个清晰的变量重要性条形图应该具有两个特点：

这里分享我的代码，供大家参考。

出图效果如下：