1.逻辑回归是怎么防止过拟合的？为什么正则化可以防止过拟合？

　　逻辑回归是用正则化来防止过拟合的。

　　函数在某些小区间里的导数值（绝对值）非常大，由于自变量值可大可小，所以只有系数足够大，才能保证导数值很大。而正则化是通过约束参数的范数使其不要太大，所以可以在一定程度上减少过拟合情况。

2.用logiftic回归来进行实践操作，数据不限。

代码：

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error
from sklearn.metrics import classification_report
import pandas as pd
import numpy as np

def logistic():
    #逻辑回归进行肿瘤的预测
    column = ['数据编号', '属性1', '属性2', '属性3', '属性4', '属性5', '属性6', '属性7', '属性8', '属性9','属性10' '类别']
    #读取数据
    data = pd.read_csv('E:\\da3xia\\jiqixuexi\\breast-cancer-wisconsin_4.csv', names=column)
    #print(data)

    #缺失值处理
    data = data.replace(to_replace='?', value=np.nan)
    data = data.dropna()   #删掉缺失值

    #数据分割   训练集和测试集
    x_train, x_test, y_train, y_test = train_test_split(data[column[1:10]], data[column[10]], test_size=0.3)

    #进行标准化处理（分别处理）   特征值和目标值
    std = StandardScaler()
    x_train = std.fit_transform(x_train)
    x_test = std.transform(x_test)

    #逻辑回归预测
    lg = LogisticRegression()
    lg.fit(x_train, y_train)
    print(lg.coef_)

    lg_predict = lg.predict(x_test)
    print('准确率:', lg.score(x_test, y_test))
    print('召回率:', classification_report(y_test, lg_predict, labels=[2, 4], target_names=['良性', '恶性']))

if __name__ == '__main__':
    logistic()

结果：