邏輯迴歸的類及預設引數：

LogisticRegression(penalty='l2', dual=False, tol=0.0001, C=1.0, fit_intercept=True, 
intercept_scaling=1, class_weight=None, random_state=None, solver='liblinear', max_iter=100, 
multi_class='ovr', verbose=0, warm_start=False, n_jobs=1)

介紹其中幾個常用的引數，其餘使用預設即可：

• penalty: 懲罰項，預設為 L2$L_2$ 範數。
• dual: 對偶化，預設為 False。
• tol: 資料解算精度。
• fit_intercept: 預設為 True，計算截距項。
• random_state: 隨機數發生器。
• max_iter: 最大迭代次數，預設為 100。

另外，solver 引數用於指定求解損失函式的方法。預設為 liblinear，適合於小資料集。除此之外，還有適合多分類問題的 newton-cg, sag, saga 和 lbfgs 求解器。這些方法都來自於一些學術論文，有興趣可以自行搜尋瞭解。

（1）載入資料

import pandas as pd
from matplotlib import pyplot as plt
import numpy as
 
 np
from sklearn.linear_model import LogisticRegression

# !wget http://labfile.oss.aliyuncs.com/courses/1081/course-8-data.csv
df = pd.read_csv("course-8-data.csv", header=0) # 載入資料集
df.head()

x = df[['X0','X1']].values
y = df['Y'].values

（2）實現

model = LogisticRegression(tol=0.001, max_iter=10000) # 設定一樣的學習率和迭代次數
 

model.fit(x, y)
model.coef_, model.intercept_

"""將上方得到的結果繪製成圖
"""


plt.figure(figsize=(10, 6))
plt.scatter(df['X0'],df['X1'], c=df['Y'])

x1_min, x1_max = df['X0'].min(), df['X0'].max(),
x2_min, x2_max = df['X1'].min(), df['X1'].max(),

xx1, xx2 = np.meshgrid(np.linspace(x1_min, x1_max), np.linspace(x2_min, x2_max))
grid = np.c_[xx1.ravel(), xx2.ravel()]

probs = (np.dot(grid, model.coef_.T) + model.intercept_).reshape(xx1.shape)
plt.contour(xx1, xx2, probs, levels=[0], linewidths=1, colors='red');

model.score(x, y)