逻辑回归（Logistic regression，简称LR）是一种经典的二分类算法，它将输入特征与一个sigmoid函数进行线性组合，从而预测输出标签的概率。该算法常被用于预测离散的二元结果，例如是/否、真/假等。

优点：

实现简单。Logistic回归的参数可以用极大似然估计法进行求解，算法本身非常简单。

速度快。Logistic回归计算量小，训练速度快。

输出结果易于理解。Logistic回归的输出结果是概率，易于解释。

容易扩展。Logistic回归可用于多分类问题和不平衡数据集。

缺点：

只适用于线性可分的问题。当特征之间存在非线性关系时，Logistic回归的效果会受到限制。

对异常值敏感。由于Logistic回归使用了sigmoid函数，对于异常值非常敏感。

容易欠拟合。当特征与目标变量之间的关系非常复杂时，Logistic回归很容易出现欠拟合现象。

Logistic回归广泛应用于许多领域，包括：

金融风险评估。银行和信用卡公司使用Logistic回归来评估借款人的信用风险，预测贷款违约的概率。

医学诊断。Logistic回归可以用于预测患者是否患有某种疾病或病情的严重程度。

市场分析。Logistic回归可以用于预测产品或服务的市场需求，并帮助企业做出更好的决策。

自然语言处理。Logistic回归可以用于文本分类，例如判断一段文本是否属于某个主题或情感极性。

图像处理。Logistic回归可以用于图像分类和目标检测，例如识别数字和字母。

总之，Logistic回归是一种灵活的算法，可以应用于许多不同的领域和问题，特别是在需要预测二元结果的场景中表现出色。

iris数据集共有150个样本，目标变量为花的类别其都属于鸢尾属下的三个亚属（target），分别是山鸢尾 (Iris-setosa)，变色鸢尾(Iris-versicolor)和维吉尼亚鸢尾(Iris-virginica)。

四个特征，分别是花萼长度(sepal length)、花萼宽度(sepal width)、花瓣长度(petal length)、花瓣宽度(petal width)。

从结果可以发现，在2D情况下不同的特征组合对于不同类别的花的散点分布，以及大概的区分能力。

结果准确度为1，代表所有的样本都预测正确了，绝杀

比起二分类的1略小，但均大于0.9

根据结果发现，其在三分类的结果的预测准确度上有所下降，但好在测试集还有91%，这是由于versicolor（1）和 virginica（2）这两个类别的特征，我们从可视化的时候也可以发现，其特征的边界具有一定的模糊性（边界类别混杂，没有明显区分边界），所有在这两类的预测上出现了一定的错误。

Logistic回归虽然名字里带“回归”，但是它实际上是一种分类方法，主要用于两分类问题（即输出只有两种，分别代表两个类别），所以利用了Logistic函数（或称为Sigmoid函数）

原理的简单解释：当z=>0时, y=>0.5,分类为1，当z