结果分析

本章节主要分析下本文做的实验的结果，通过对实验结果数据的分析，我们得到逻辑斯蒂回归模型在处理二分类问题上拥有优异的处理性能，而且相比较相似的算法准去率更高。

......

上图中的数据是我们建立的模型分析得出输入的环境因素(age,Marital_Status,Gender,Weight_Category,Cholesterol,Stress_Management,Trait_Anxiety,Intercept)对输出项的影响权重值，就是我们输入的值，对于输出值2nd_Heart_Attack的影响大小。

从上图中实验数据，还有上述建立模型后的结果，简单分析下，Marital_Status,Weight_Category即病人的婚姻状态和人员的体重对心脏病的二次发作影响比较大，然后病人的年龄，性别，是否参与压力控制课程，及自然压力水平和应压能力即Age,Gender，Stress_Management和Trait_Anxiety的值比较小，说明它们对于心脏病二次发作的可能性影响比较低，权重的值有正负之分，意思是对结果的影响有起到正作用和负作用，最后面的intercept不是环境因素，它是截距。

......

第一例是序号列，第二例，淡绿色的那一列就是输出项生成的目标结果，表示的是心脏病是否会再次发作，后面的两列黄色的是通过模型的出的发病的概率。

通过用训练数据——RapidMiner.逻辑回归_Training来建立模型，并且用测试数据——RapidMiner.逻辑回归_Scoring来测试我们建立的模型来看，我们的模型准确性很高，我们可以直接看到测试数据产生的结果，我们可以观察这些数据，一般婚姻状态差（3表示丧偶），体重超标，胆固醇值比较高的，一般结果都为yes(可能发生心脏病二次发作)，这使得我们对这个测试结果是表示信服的。

......

通过对机器学习之逻辑斯蒂回归模型及应用研究的学习，对于机器学习的学习部分的结构，机器学习的分类，以及对机器学习的常用算法，如回归算法，分类算法等的了解，本文用Rapidminer软件做了一系列的实验来学习和研究我们的机器学习之逻辑斯蒂回归模型及应用研究。

对于实验的理论知识部分，本文分析逻辑斯蒂回归的特性，再加上机器学习的学习力流程设计出Logistic Hypothesis,再结合逻辑斯蒂回归模型分析出逻辑回归误差函数，然后我们通过梯度下降法求解逻辑回归误差函数,最后得出g。

下面是实验部分，对于整个机器学习之逻辑斯蒂回归模型及应用研究的实验，我个人将其分成两大部分。

第一部分——机器学习之逻辑斯蒂回归模型的建立和测试，首先本文通过网络资源寻找合适的数据集来做我们的实验的data，其次通过Rapidminer，我们需要把数据先导入到我们的软件存储数据的DB（数据库）中，然后将数据导入到模型建立设计中，再选择Set Role即为数据集设置输出项以及输出项的数据类型，然后在软件Rapidminer提供的算法中寻找逻辑斯蒂回归即logistic regression拖入到设计模块中，然后连接好模块，点击运行按钮，软件自动生成模型，接下来就是对于建立的模型进行测试，我们需要从数据库（DB）中导入我们的测试数据，链接好到模型，点击运行按钮，即可得知数据测试的结果。

第二部分——逻辑斯蒂回归算法和其他相似算法交叉验证对比，本实验部分主要研究逻辑斯蒂回归算法在处理分类问题上是的优缺点同......