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？（大家用自己的话介绍下）
防止过拟合方法：
（1）增加样本量
（2）正则化方法
（3）进行特征选择，减少特征数，保留重要特征
（4）特征离散化处理
正则化防止过拟合原因：
求导：
sgn(w)表示w的符号：
规定sgn(0)=0，当w为正时，更新后的w变小。当w为负时，更新后的w变大——因此它的效果就是让w往0靠，使网络中的权重尽可能为0，也就相当于减小了网络复杂度，防止过拟合。
2.用logiftic回归来进行实践操作，数据不限。
案例：银行用来预测客户是否将购买定期存款（变量C）
（1）银行客户的信息
（2）逻辑回归算法：
# 银行预测客户是否将购买定期存款（变量C） import pandas as pd from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report #数据读取与预处理 data = pd.read_excel('./bank_d.xls', index_col=0) x = data.iloc[:, 1:] y = data.iloc[:, 0] x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=5) #构建模型 LR_model = LogisticRegression() #训练模型 LR_model.fit(x_train, y_train) #预测模型 pre = LR_model.predict(x_test) print('模型的正确率：', LR_model.score(x_test, y_test)) print('输出模型的分类报告：', classification_report(y_test, pre))
（3）预测结果：
