专栏前言
上一节我们学习线性回归，专门用来预测连续数字（回归任务）；
本节学习逻辑回归，虽然名字带 “回归”，实际是工业风控最常用的二分类算法，用来区分两类数据：正常交易 / 欺诈盗刷。
案例采用银行信用卡交易数据集，完整复现风控建模全流程。

1. 什么是逻辑回归

1.1 核心原理

线性回归输出是无边界的实数，不能代表概率。逻辑回归在线性公式外套一层 Sigmoid 函数，把数值压缩到 (0,1) 区间，输出结果代表 “属于欺诈交易的概率”。
线性组合公式：

Sigmoid 激活函数：

1.2 分类判定规则

默认判断阈值 0.5：

→ 正类，欺诈交易（Class=1）

1. → 负类，正常交易（Class=0）

风控场景可手动下调阈值，优先拦截可疑盗刷。

1.3 模型参数、损失函数与参数优化

1. 初始化参数
   模型刚创建时，会自动随机初始化一组权重和截距，此时参数是随机值，预测结果完全不准。
2. 损失函数
3. 逻辑回归使用交叉熵损失函数，专门用于二分类任务，用来衡量预测概率和真实标签之间的差距，损失值越大，代表模型预测越离谱。
4. 二分类交叉熵核心公式：
5. 其中： 为真实标签（0/1）， 为模型预测的正类概率，n 为样本总数。
6. 梯度下降优化参数
   模型训练本质就是循环执行梯度下降：不断微调权重参数，持续缩小整体损失值，直到损失收敛、预测效果稳定，这一步由fit()方法自动完成，不需要手动计算。

1.4 正则参数 C 与正则化作用

sklearn 逻辑回归默认开启 L2 正则，
C是正则强度的倒数，完整带正则项的损失公式如下：

公式解析：前半部分为交叉熵损失，负责拟合数据；后半部分为 L2 正则惩罚项，专门约束权重参数：

• C 越小：正则惩罚系数 越大，正则约束越强，大幅限制权重参数的大小，压缩参数区间，减少模型对训练集噪声的记忆，缓解过拟合；

• C 越大：正则惩罚系数 越小，正则约束越弱，模型放开参数限制，更容易贴合训练数据，易出现过拟合。

本次实战设置 C=0.01，加大正则力度，避免模型在不平衡的信用卡数据集上过拟合。超参数 C 的最优取值无法凭经验直接确定，后面我们专门，系统学习如何自动筛选最优超参数 C。

2. 数据集业务介绍

数据集文件：creditcard.csv，模拟银行贷款 / 信用卡风控数据，该数据可以在本文开头下载。

数据样例：

字段说明：

1. Time：交易时间戳，和欺诈无明显关联，建模直接删除
2. V1~V28：脱敏加密特征（银行隐私数据 PCA 处理后结果）
3. Amount：交易金额，数值跨度极大，必须标准化
4. Class：分类标签，0 = 正常交易，1 = 欺诈交易
   数据集特点：样本极度不平衡，绝大多数为正常交易。

3. 完整建模流程 + 代码分步讲解

整套流程分为 5 步：读取数据→标准化预处理→划分特征标签→拆分训练测试集→训练模型并评估，逐段拆解代码含义。

3.1 第一步：导入 pandas，读取本地 CSV 数据

import pandas as pd
# 读取信用卡交易数据集
data = pd.read_csv(r'D:\pythoncode2\bigdata_ai40\机械学习\data\creditcard.csv')
# 打印前5行数据，查看数据结构
print(data.head())

讲解：

1. import pandas as pd：导入表格处理工具，机器学习读取 csv 必用；
2. pd.read_csv()：读取本地 csv 文件，填写完整文件路径；
3. data.head()：输出前 5 行，快速核对字段、数据是否读取正常。

3.2 第二步：数据标准化 + 删除无用特征

# 导入标准化工具
from sklearn.preprocessing import StandardScaler
# 创建标准化器对象
scaler = StandardScaler()
仅对交易金额Amount做Z-Score标准化
data['Amount'] = scaler.fit_transform(data[['Amount']])
删除无关时间特征Time
data = data.drop(['Time'],axis=1)

标准化公式：

讲解：

1. StandardScaler：Z-Score 标准化工具，把数据缩放为均值 0、方差 1；
2. 只处理 Amount 字段：V1-V28 本身已经脱敏标准化，无需重复处理；
3. fit_transform()：一边计算均值方差，一边完成数值缩放；
4. drop(['Time'],axis=1)：删除 Time 整列，axis=1 代表按列删除。

3.3 第三步：分离特征 X 与标签 y

# 导入数据集划分工具
from sklearn.model_selection import train_test_split
所有特征：去掉分类标签Class
x_whole = data.drop('Class',axis=1)
预测标签：是否欺诈
y_whole = data.Class

讲解：

1. 机器学习固定格式：X 是所有输入特征，y 是需要预测的结果标签；

1. drop('Class',axis=1)：把标签列从数据表剔除，剩余全部作为特征。

3.4 第四步：拆分训练集、测试集

# 70%训练集，30%测试集，固定随机种子保证结果可复现
x_train_w,x_test_w,y_train_w,y_test_w = train_test_split(x_whole,y_whole,test_size =0.3,random_state=1000)

讲解：

1. test_size=0.3：30% 数据作为测试集，70% 用于训练；
2. random_state=1000：固定随机划分规则，每次运行拆分结果一模一样，方便复现实验；
3. 训练集：用来完成参数初始化、梯度下降优化；测试集：模拟陌生新数据，检验模型真实泛化效果。

3.5 第五步：创建逻辑回归模型、训练、预测评估

# 导入逻辑回归算法
from sklearn.linear_model import LogisticRegression
# 初始化模型，设置正则系数C=0.01
lr = LogisticRegression(C=0.01)
# 使用训练集完成模型训练
lr.fit(x_train_w,y_train_w)
在测试集上预测类别（0正常/1欺诈）
print(lr.predict(x_test_w))
输出训练集整体准确率
print(lr.score(x_train_w,y_train_w))
计算测试集准确率
test_score = lr.score(x_test_w,y_test_w)
print(test_score)

讲解：

1. LogisticRegression(C=0.01)：实例化逻辑回归，内部自动完成参数初始化，同时通过 C 控制正则化强度；
2. .fit(x_train_w,y_train_w)：训练核心代码，执行梯度下降算法，持续优化权重参数，最小化交叉熵损失；
3. .predict()：输入特征，输出每条样本预测类别；
4. .score()：自动计算准确率 = 预测正确样本数 / 总样本数。

重要提醒：本数据集正负样本失衡，单纯准确率无法客观评价欺诈识别能力，后续章节会讲解混淆矩阵、召回率等专业指标。

4. 逻辑回归优缺点

优点

1. 训练速度快，适配银行海量交易流水；
2. 模型可解释，每个特征有权重，是风控行业标准算法；
3. 支持正则化，能通过 C 灵活控制拟合程度；
4. 输出概率分值，业务可自定义风险阈值。

缺点

1. 只能学习线性关系，复杂非线性数据拟合差；
2. 对特征尺度敏感，金额类特征必须提前标准化；
3. 原生仅支持二分类，多分类任务需要改造。

5. 本章小结

1. 逻辑回归是二分类模型，Sigmoid 函数将线性计算转为 0~1 概率；
2. 模型流程：随机初始化参数→交叉熵损失衡量误差→梯度下降优化参数；
3. L2 正则通过超参数 C 控制强弱，抑制过拟合，下一节讲解最优 C 的筛选方法；
4. 银行风控建模标准流程：读取数据→标准化清洗→拆分数据集→模型训练评估；
5. 特征标准化是逻辑回归必要步骤，解决量纲差距带来的收敛问题；
6. 不平衡分类场景不能只依靠准确率评估模型效果。