sklearn.LogisticRegression默认用于二分类且内置Sigmoid与log loss；predict_proba返回[P(0),P(1)]，须通过classes_确认正类索引；需配合StandardScaler和CalibratedClassifierCV保障概率可靠性。
sklearn.LogisticRegression 默认就是二分类，别手动改 loss
很多人一看到“逻辑回归”就下意识想调 loss 参数或者手写 Sigmoid，其实 sklearn.LogisticRegression 在二分类场景下默认用的就是对数损失（log loss），内部自动套了 Sigmoid，predict_proba 返回的就是概率值，不是 logits。
常见错误现象：model.predict() 只返回 0/1，误以为模型没输出概率；或者强行用 torch.nn.Sigmoid 包一层 sklearn 模型，结果报错或数值溢出。
-
fit(X, y)中的y必须是 0/1 或布尔型，不能是字符串标签（如['cat', 'dog']），否则predict_proba列顺序可能反直觉 - 如果
y是字符串，先用sklearn.preprocessing.LabelEncoder转成 0/1，别依赖LogisticRegression自动编码 - 默认 solver 是
'lbfgs'，小数据够用；样本超 10 万建议换'saga'，否则训练慢甚至收敛失败
predict_proba 返回的是 [P(0), P(1)]，别直接取第二列当“置信度”
这是最常被忽略的细节：predict_proba(X) 返回二维数组，每行形如 [0.23, 0.77]，对应类别 0 和类别 1 的概率。很多人只取 [:, 1] 当“正类概率”，但前提是确认 classes_ 属性里索引 1 确实是你关心的正类。
使用场景：做阈值调优、计算 ROC 曲线、集成时加权投票。
立即学习“Python免费学习笔记（深入）”；
- 务必检查
model.classes_，例如返回[1, 0]时，[:, 1]反而是负类概率 - 安全写法是：
pos_label = 1; proba_pos = model.predict_proba(X)[:, model.classes_.tolist().index(pos_label)] - 如果用
class_weight='balanced'，predict_proba输出仍满足概率和为 1，但校准性会下降——即 0.8 并不真代表 80% 准确率，需后续用CalibratedClassifierCV
手动实现 Sigmoid + 线性层？除非你控梯度或加正则，否则没必要
用 PyTorch 或 NumPy 手写逻辑回归，核心就两步：线性变换 + Sigmoid。但 sklearn 版本已内置 L2 正则（C 参数）、多种 solver、自动标准化（StandardScaler 建议配着用），自己写容易漏掉这些。
性能影响：纯 NumPy 实现百万样本会比 sklearn 慢 5–10 倍；PyTorch 版若不用 torch.compile 或 GPU，也无优势。
- 手写 Sigmoid 时，别用原始公式
1 / (1 + np.exp(-z))，z 很大时会溢出；改用np.where(z >= 0, 1 / (1 + np.exp(-z)), np.exp(z) / (1 + np.exp(z))) - 如果要加自定义正则项（比如 L1+L2 混合）、或需要 access 梯度做对抗训练，再上 PyTorch；否则
sklearn.LogisticRegression(C=1.0, penalty='l2')更稳 - 注意
sklearn的C是正则强度的倒数，C=0.01≈ 强正则，别和 PyTorch 的weight_decay数值直接对标
概率不准？先看是否校准，而不是换模型
逻辑回归输出的概率经常“不准”——比如预测 0.9 的样本里，实际只有 60% 是正类。这不是模型坏了，而是它默认不做概率校准（platt scaling），尤其在样本不均衡或特征未标准化时更明显。
兼容性影响：如果你把概率直接喂给下游业务规则（如“>0.8 才发通知”），未经校准的结果会导致策略失效。
- 最简单修复：包一层
CalibratedClassifierCV，基模型用LogisticRegression，method='sigmoid'（Platt）适合小数据，'isotonic' 更灵活但需更多样本 - 别跳过标准化：
StandardScaler对逻辑回归影响极大，尤其当特征量纲差异大（比如年龄 vs 收入），不标准化时C参数几乎无法调 - 验证校准效果：画 reliability diagram（用
sklearn.calibration.calibration_curve），横轴是平均预测概率，纵轴是真实频率；理想是一条 45° 线
真正难的不是写出逻辑回归，是让它的概率在业务里可信。校准、标准化、classes_ 顺序，这三个点漏掉任何一个，都可能让模型上线后概率解释完全跑偏。
