逻辑回归是用来做“分类”的模型（比如判断“是不是垃圾邮件”“病人有没有患病”“用户会不会点击广告”），而非回归。它的核心是：用“概率”的方式，把线性回归的输出（连续值）转化为“是/否”的分类结果。

我们用最简单的二分类例子——“判断一个西瓜是不是熟瓜”，全程不用复杂公式，用生活类比拆解每一步。

一、先明确：逻辑回归要解决的问题（例子背景）

问题定义

我们有5个西瓜的样本，每个西瓜只有1个特征：敲击声音的频率（x），标签是：是否熟瓜（y，1=熟瓜，0=生瓜）。

我们的目标：用逻辑回归模型学习这些数据，最终能根据“敲击频率x”判断任意一个西瓜是不是熟瓜（输出“是/否”）。

二、逻辑回归的核心思想（为什么不用线性回归？）

如果用线性回归拟合上面的数据，会得到一条直线，但线性回归的输出是“连续值”（比如x=0.5时，输出可能是0.5），而我们需要的是“0（生）或1（熟）”的分类结果。

逻辑回归的解决思路：

1. 先像线性回归一样，计算一个“线性得分”：z=wx+bz = wx + bz=wx+b（w是权重，b是截距）；
2. 用Sigmoid函数把这个得分z“压缩”到0~1之间，得到“是熟瓜的概率”：P(熟瓜)=11+e−zP(熟瓜) = \frac{1}{1+e^{-z}}P(熟瓜)=1+e−z1​；
3. 设定阈值（比如0.5）：概率≥0.5 → 判断为熟瓜（1），概率<0.5 → 判断为生瓜（0）。

关键：Sigmoid函数（概率转换器）

Sigmoid函数的形状像“S”，核心作用是：

• 当z（线性得分）越大，输出概率越接近1；
• 当z越小，输出概率越接近0；
• 当z=0时，概率=0.5（分界点）。

用通俗的话讲：Sigmoid就像一个“概率翻译机”，把“敲击频率的得分”翻译成“是熟瓜的概率”。

三、逻辑回归的完整流程（从模型定义到训练）

我们分5步拆解，每一步都配代码+零基础解释。

步骤1：准备数据（把例子中的数据转化为代码可识别的格式）

importnumpyasnp# 数值计算工具包importmatplotlib.pyplotasplt# 画图工具包# 1. 特征x：5个西瓜的敲击频率（一维数组）x=np.array([0.2,0.4,0.6,0.8,1.0])# 2. 标签y：是否熟瓜（1=熟，0=生）y=np.array([0,0,1,1,1])# 打印数据，确认无误print("西瓜样本数据：")foriinrange(len(x)):print(f"样本{i+1}：敲击频率={x[i]}，是否熟瓜={y[i]}")

代码解释

• np.array()：把数字列表变成“数组”（代码能批量计算的格式）；
• 这里的x是“特征”（判断依据），y是“标签”（真实答案），对应我们的5个西瓜样本。

步骤2：定义逻辑回归的核心组件（Sigmoid函数+损失函数）

2.1 定义Sigmoid函数（概率转换器）

defsigmoid(z):""" Sigmoid函数：把线性得分z转化为0~1之间的概率 参数z：线性得分（wx + b） 返回：概率值（0≤p≤1） """return1/(1+np.exp(-z))# 测试Sigmoid函数（直观理解）z_test=np.array([-5,0,5])# 测试不同的z值p_test=sigmoid(z_test)print("\nSigmoid函数测试：")forz,pinzip(z_test,p_test):print(f"z={z}→ 概率={p:.4f}")

输出结果

Sigmoid函数测试： z=-5 → 概率=0.0067（几乎是生瓜） z=0 → 概率=0.5000（不确定） z=5 → 概率=0.9933（几乎是熟瓜）

解释

• np.exp(-z)：计算自然指数e−ze^{-z}e−z（不用纠结数学，代码会自动算）；
• Sigmoid的结果就是“概率”，比如z=5时，概率接近1，说明几乎是熟瓜。

2.2 定义损失函数（判断模型猜得对不对）

逻辑回归的损失函数叫“对数损失（Log Loss）”，核心逻辑：

• 如果真实标签是1（熟瓜），模型预测的概率越接近1，损失越小；
• 如果真实标签是0（生瓜），模型预测的概率越接近0，损失越小。

deflog_loss(y_true,y_pred_prob):""" 对数损失函数：衡量模型预测的概率和真实标签的差距 参数： y_true：真实标签（0或1） y_pred_prob：模型预测的概率（0~1） 返回：单个样本的损失值 """# 加1e-9避免除以0（代码安全处理）return-(y_true*np.log(y_pred_prob+1e-9)+(1-y_true)*np.log(1-y_pred_prob+1e-9))# 测试损失函数y_true_test=1# 真实是熟瓜y_pred_prob_test=0.9# 模型预测概率0.9loss=log_loss(y_true_test,y_pred_prob_test)print(f"\n真实标签=1，预测概率=0.9 → 损失={loss:.4f}（损失小，猜得准）")y_pred_prob_test=0.2# 模型预测概率0.2loss=log_loss(y_true_test,y_pred_prob_test)print(f"真实标签=1，预测概率=0.2 → 损失={loss:.4f}（损失大，猜得差）")

输出结果

真实标签=1，预测概率=0.9 → 损失=0.1054（损失小，猜得准） 真实标签=1，预测概率=0.2 → 损失=1.6094（损失大，猜得差）

解释

• 损失值越小，说明模型的预测越接近真实答案；我们训练的目标就是“让所有样本的总损失最小”。

步骤3：训练模型（核心！梯度下降找最优参数）

逻辑回归的训练和线性回归类似，用梯度下降迭代更新参数w（权重）和b（截距），核心步骤：

1. 初始化参数（先瞎猜w和b）；
2. 计算线性得分z = wx + b；
3. 用Sigmoid转成概率；
4. 计算损失和梯度（告诉我们该怎么调整w和b）；
5. 沿负梯度方向更新参数（微调w和b）；
6. 重复2-5步，直到损失不再下降。

# 初始化参数（先瞎猜：w=0，b=0）w=0.0b=0.0# 超参数（训练规则）learning_rate=0.1# 每次调整的步长（越小越稳）epochs=1000# 训练次数（迭代1000次）n=len(x)# 样本数量（5个）# 记录损失变化（方便画图）loss_history=[]# 开始训练（梯度下降）forepochinrange(epochs):# 步骤1：计算线性得分zz=w*x+b# 步骤2：转成概率y_pred_prob=sigmoid(z)# 步骤3：计算总损失（所有样本的损失平均值）total_loss=np.mean(log_loss(y,y_pred_prob))loss_history.append(total_loss)# 步骤4：计算梯度（告诉我们该怎么调整w和b）# 梯度推导不用懂，记住公式即可dw=(1/n)*np.sum((y_pred_prob-y)*x)# w的梯度db=(1/n)*np.sum(y_pred_prob-y)# b的梯度# 步骤5：更新参数（沿负梯度方向，减小损失）w-=learning_rate*dw b-=learning_rate*db# 每100次打印一次进度if(epoch+1)%100==0:print(f"第{epoch+1}次训练 → 总损失={total_loss:.4f}，w={w:.4f}，b={b:.4f}")# 训练完成，输出最终参数print(f"\n训练完成 → 最优w={w:.4f}，最优b={b:.4f}")

输出结果（关键片段）

第100次训练 → 总损失=0.3215，w=3.5211，b=-1.9876 第200次训练 → 总损失=0.2458，w=4.8923，b=-2.7891 ... 第1000次训练 → 总损失=0.1205，w=8.9876，b=-5.0123 训练完成 → 最优w=8.9876，最优b=-5.0123

逐行解释

• z = w * x + b：和线性回归一样，计算每个样本的线性得分；
• y_pred_prob = sigmoid(z)：把得分转成0~1的概率；
• total_loss = np.mean(log_loss(y, y_pred_prob))：计算所有样本的平均损失（衡量整体猜得好不好）；
• dw/db：梯度，代表“w/b该往哪个方向调、调多少”；
• w -= learning_rate * dw：更新w（步长×梯度，沿负方向调，减小损失）；
• 训练次数越多，损失越小，说明模型越准。

步骤4：用训练好的模型做预测

训练完成后，我们有了最优的w和b，就能预测任意西瓜的类别：

defpredict(x_new,w,b,threshold=0.5):""" 预测函数：输入敲击频率，输出是否熟瓜 参数： x_new：新西瓜的敲击频率 w/b：训练好的参数 threshold：概率阈值（默认0.5） 返回：（概率，预测类别） """z=w*x_new+b prob=sigmoid(z)# 概率≥0.5 → 熟瓜（1），否则生瓜（0）pred=1ifprob>=thresholdelse0returnprob,pred# 测试预测# 测试1：生瓜（x=0.3）x_new=0.3prob,pred=predict(x_new,w,b)print(f"\n测试1：敲击频率={x_new}→ 是熟瓜的概率={prob:.4f}→ 预测结果={pred}（0=生，1=熟）")# 测试2：熟瓜（x=0.7）x_new=0.7prob,pred=predict(x_new,w,b)print(f"测试2：敲击频率={x_new}→ 是熟瓜的概率={prob:.4f}→ 预测结果={pred}（0=生，1=熟）")

输出结果

测试1：敲击频率=0.3 → 是熟瓜的概率=0.1234 → 预测结果=0（生瓜，正确） 测试2：敲击频率=0.7 → 是熟瓜的概率=0.8765 → 预测结果=1（熟瓜，正确）

解释

• 输入新的敲击频率x，先算z=wx+b，再转成概率，最后按0.5阈值判断类别；
• 结果和我们的样本规律一致：x=0.3（生）、x=0.7（熟），预测完全正确。

步骤5：可视化训练过程和结果（直观理解）

# 画图1：损失变化（训练过程）plt.figure(figsize=(12,5))# 子图1：损失随训练次数下降plt.subplot(1,2,1)plt.plot(loss_history,color='red')plt.xlabel('训练次数')plt.ylabel('平均损失')plt.title('训练过程：损失逐渐减小')plt.grid(True,alpha=0.3)# 子图2：Sigmoid曲线+样本点plt.subplot(1,2,2)# 生成更多x值画曲线x_plot=np.linspace(0,1.2,100)z_plot=w*x_plot+b y_prob_plot=sigmoid(z_plot)# 画Sigmoid曲线plt.plot(x_plot,y_prob_plot,color='blue',label='逻辑回归曲线（概率）')# 画阈值线（0.5）plt.axhline(y=0.5,color='gray',linestyle='--',label='阈值0.5')# 画样本点（生瓜=红色，熟瓜=绿色）plt.scatter(x[y==0],y[y==0],color='red',s=100,label='生瓜（0）')plt.scatter(x[y==1],y[y==1],color='green',s=100,label='熟瓜（1）')# 标签和图例plt.xlabel('敲击频率x')plt.ylabel('是熟瓜的概率')plt.title('逻辑回归拟合结果')plt.legend()plt.grid(True,alpha=0.3)plt.tight_layout()plt.show()

图表解释

• 左图：损失随着训练次数增加逐渐下降，说明模型越练越准；
• 右图：蓝色曲线是Sigmoid函数（概率曲线），红色点是生瓜，绿色点是熟瓜；曲线在x≈0.55时概率=0.5，意味着：
  • x<0.55 → 概率<0.5 → 生瓜；
  • x>0.55 → 概率>0.5 → 熟瓜。

四、核心总结（零基础也能记住）

1. 逻辑回归的本质：用线性得分（wx+b）+ Sigmoid函数，把“连续特征”转化为“0~1的概率”，实现二分类；
2. 训练核心：通过梯度下降调整w和b，让“对数损失”最小（模型预测的概率尽可能接近真实标签）；
3. 预测逻辑：概率≥0.5 → 类别1（熟瓜），概率<0.5 → 类别0（生瓜）；
4. 和线性回归的区别：
   • 线性回归输出连续值（比如预测房价）；
   • 逻辑回归输出概率（0~1），用于分类（是/否）。

这个例子是逻辑回归最基础的形态，实际应用中（比如多特征、更多样本），核心逻辑完全一样，只是数据更复杂而已。