🐍 Python数据分析中的逻辑回归：从原理到代码实现

❝

用最通俗的语言，搞懂逻辑回归到底是什么，以及如何用Python轻松上手

📌 一、分类问题，从“是或否”开始

在数据分析中，除了预测房价这样的连续值（线性回归），我们更常遇到的是分类问题：

• 用户会不会点击广告？（是/否）
• 病人是否患有某种疾病？（是/否）
• 这封邮件是垃圾邮件吗？（是/否）

这类问题，答案只有两个选项，我们称之为二分类问题。而解决这类问题最经典、最常用的模型，就是逻辑回归（Logistic Regression）。

虽然名字里有“回归”，但它本质上是分类模型——专门用来处理“是/否”这种问题。

今天，我们就用Python一步步拆解逻辑回归，让你真正理解它的原理和代码实现。

🤔 二、为什么不能用线性回归？

你可能会想：既然线性回归能预测数值，那把“是”设为1，“否”设为0，直接用线性回归不行吗？

答案是不行，而且会有两个严重问题：

1️⃣ 预测值可能“越界”

线性回归的输出是任意实数，可能是1.5、2.3甚至-0.8，而概率必须在0~1之间。如果模型预测出1.5，怎么解释？——150%的概率？显然不合理。

2️⃣ 对异常点太敏感

线性回归希望最小化误差，一旦有个别极端样本（比如年龄很小却患癌），整个回归直线会被“拉偏”，导致分类效果大打折扣。

所以，我们需要一个能将任何实数压缩到0~1之间的函数——这就是Sigmoid函数的由来。

📈 三、逻辑回归的核心：Sigmoid函数

逻辑回归的核心公式只有一行：

[ p = \frac{1}{1 + e^{-z}} ]

其中：

• ( z = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \dots ) —— 这就是线性回归的那一套组合。
• ( p ) 就是事件发生的概率，取值范围永远在0~1之间。

这个函数的特点是：

• 当 ( z ) 非常大时，( p ) 趋近于1；
• 当 ( z ) 非常小时，( p ) 趋近于0；
• 当 ( z = 0 ) 时，( p = 0.5 )，刚好是分界线。

有了Sigmoid，我们就可以把任意线性组合的输出，映射成一个合理的概率。

🔍 四、换个角度：对数几率（Logit）

把上面的公式稍微变形：

[ \ln\left(\frac{p}{1-p}\right) = z = \beta_0 + \beta_1 x_1 + \dots ]

这里 (\frac{p}{1-p}) 叫做几率（odds）——也就是“发生概率”与“不发生概率”的比值。取对数后就是对数几率（log-odds）。

这个等式告诉我们：逻辑回归其实是在用线性回归去拟合对数几率。这样一来，系数的含义就非常直观了：

• 系数 ( \beta_1 ) 表示：**( x_1 ) 每增加一个单位，对数几率增加多少**。
• 但人们更喜欢用几率比（odds ratio）来解释：( e^{\beta_1} ) 表示 ( x_1 ) 增加一个单位时，几率变为原来的多少倍。

🐍 五、Python实战：用逻辑回归预测癌症风险

光说不练假把式，我们用一份简单的医学数据（来自smoke.csv）来演示逻辑回归的完整流程。

5.1 数据预览

数据包含四个字段：

• age：年龄
• gender：性别（male/female）
• smoking：是否吸烟（yes/no）
• cancer：是否患癌（0=未患癌，1=患癌）——这是我们的目标变量

import pandas as pdimport statsmodels.api as sm# 读取数据data = pd.read_csv("smoke.csv")data.head()

5.2 数据预处理：处理分类变量

逻辑回归只能处理数值，所以我们需要把 gender 和 smoking 转换成虚拟变量。

我们用 pd.get_dummies，并设置 drop_first=True 来避免“虚拟变量陷阱”（多重共线性）。

# 生成虚拟变量logistics_data = pd.get_dummies(    data,    columns=["gender", "smoking"],    dtype=int,    drop_first=True)logistics_data.head()

• gender_male：1表示男性，0表示女性（女性为基准组）
• smoking_yes：1表示吸烟，0表示不吸烟（不吸烟为基准组）

5.3 划分变量并添加常数项

y = logistics_data['cancer']                # 因变量X = logistics_data.drop('cancer', axis=1)   # 自变量# 添加常数项（截距）—— 和线性回归一样，不能少！X = sm.add_constant(X)

为什么又要加一列1？和线性回归同理，这一列1是截距的“占位符”，模型会自己学习出截距的具体数值，代表“基准风险”。

5.4 拟合逻辑回归模型

result = sm.Logit(y, X).fit()print(result.summary())

运行后会输出：

Optimization terminated successfully.         Current function value: 0.426845         Iterations 7

以及详细的回归结果表格。

📊 六、结果解读：看懂模型输出

6.1 模型整体怎么样？

• Pseudo R-squ. = 0.3835：伪R方，类似于线性回归的R²，这里表示模型比空模型（只含截距）有显著改进。
• LLR p-value = 7.314e-06：远小于0.05，说明模型整体显著，至少有一个变量对癌症有影响。

6.2 哪些变量显著？

• age 的 p 值 = 0.121 > 0.05，不显著。说明在这个样本中，年龄对患癌的影响不明显（可能样本量小，或关系非线性）。
• gender_male 的 p 值 = 0.026 < 0.05，显著。
• smoking_yes 的 p 值 = 0.001 < 0.05，非常显著。

6.3 系数怎么解释？

逻辑回归的系数是对数几率，我们需要转换成几率比（odds ratio）才容易理解。

import numpy as npprint(np.exp(1.8148))   # gender_male 的 odds ratioprint(np.exp(4.4339))   # smoking_yes 的 odds ratio

输出：

6.1484.26

解释：

• 性别：在其他条件相同的情况下，男性患癌的几率是女性的 6.14倍。
• 吸烟：吸烟者患癌的几率是不吸烟者的 84.26倍！这完全符合医学常识，吸烟对肺癌的影响极大。

🧠 七、总结：逻辑回归的三点核心

1. 它解决的是分类问题，输出是0~1之间的概率。
2. 核心是Sigmoid函数，把线性组合映射成概率。
3. 系数的意义通过对数几率转为几率比，告诉我们每个因素对结果的影响程度。

逻辑回归简单、可解释性强，是许多复杂模型（如神经网络）的基础。当你下次遇到“是/否”的问题，不妨先从逻辑回归开始！

💬 互动时间

你在工作中用过逻辑回归吗？有没有遇到过特别显著的变量？欢迎在评论区分享你的案例～如果觉得本文对你有帮助，记得点赞、在看、转发三连支持哦！💖

📚 往期精选