10 ，逻回案例，高校招生 ： 数据准备，解题思路

1 ，案例 ： 目标

1. 小明想去美国留学，目的地是加州理工大学
2. 加州理工大学，对我们中国学生有两门考试，exam1，exam2
3. 我们有历史数据表，这是以往的学生成绩，和是否被录取的历史信息
4. 目的 ：
   1 ，根据历史数据，得到逻辑回归模型
   2 ，根据回归模型，判断小明被录取的可能性有多大

2 ，案例 ： 数据的样子

1. 数据 ：

34.62365962451697,78.0246928153624,0
30.28671076822607,43.89499752400101,0
35.84740876993872,72.90219802708364,0
60.18259938620976,86.30855209546826,1

2. 观察这组数据 ：
   1 ，他没有表头，我们需要手动添加表头
   2 ，三列 ： exam1,exam2,admitted
3. 数据含义 ：
   1 ，exam1 ： 第一个科目成绩
   2 ，exam2 ： 第二个科目成绩
   3 ，admitted ： 是否被录取 ( 0-失败，1-成功 )
4. 数据行列 ： 100 行三列
   [100 rows x 3 columns]

3 ，画散点图 ： 成功失败点，观察数据，直观感受

1. 代码 ：

if __name__ == '__main__':
    # 读取数据，因为没有表头，所以我们添加表头
    pdData = pd.read_csv("LogiReg_data.txt",header=None,names=["exam1","exam2","Admitted"])
    # 所有的成功数据
    positive = pdData[pdData['Admitted'] == 1]
    # 所有的失败数据
    negative = pdData[pdData['Admitted'] == 0]
    # 画笔，指定图像大小
    fig, ax = plt.subplots(figsize=(10, 5))

    # 画图 ： 成功分数 ( x，y，点的尺寸，线色,散点图标,线名字 )
    ax.scatter(positive['exam1'], positive['exam2'], s=30, c='b', marker='o', label='Admitted')
    # 画图 ： 失败分数
    ax.scatter(negative['exam1'], negative['exam2'], s=30, c='r', marker='x', label='Not Admitted')
    # 打印 ： 小窗
    ax.legend()
    # x 轴，y 轴名字
    ax.set_xlabel('Exam 1 Score')
    ax.set_ylabel('Exam 2 Score')
    plt.show()

2. 结果 ：
   
3. 结论 ：
   1 ，分数越低，越不被录取
   2 ，此种结果，事发必然

4 ，回归分析 ： 思路

1. 影响事情成败的因素 ： 2 个 ( 两门功课的成绩 )
2. 所以数据分析的维度 ： 2 个

5 ，逻辑回归 ： 目标

1. 回归函数 ： f(x1,x2) = θ0 + θ1 * x1 + θ2 * x2
2. 目标 ： 求出 ( θ0，θ1，θ2 )
3. 怎么求 ： 建立分类器
4. 设定阈值 ： 根据阈值，判定录取结果
   1 ，概率 >0.5 ： 被录取了
   2 ，概率 <0.5 ： 没被录取
5. 如图 ：
   

6 ，求解 ： 提纲

1. sigmoid : 映射到概率的函数
2. model : 返回预测结果值
3. cost : 根据参数计算损失
4. gradient : 计算每个参数的梯度方向
5. descent : 进行参数更新
6. accuracy: 计算精度