头歌实训-逻辑回归实战：从基础到癌症识别

1. 逻辑回归：从数学原理到生活应用

第一次听说逻辑回归时，我也被这个名字迷惑过——明明是分类算法，为什么叫"回归"？后来在头歌实训平台动手实现时才发现，它其实是用回归的思想解决分类问题。就像我们用温度计测量体温，虽然得到的是连续数值，但最终判断"是否发烧"却是个二分类问题。

逻辑回归的核心武器是sigmoid函数，这个S型曲线能把任意实数映射到(0,1)区间。我常跟学生说，想象你正在挤牙膏：轻轻用力时牙膏几乎不动（输出接近0），用力到临界点时突然大量涌出（快速过渡到1）。这个非线性特性完美解决了普通线性回归在分类任务中的输出越界问题。

在癌症识别这类医疗场景中，逻辑回归有个独特优势：输出的概率值具有可解释性。当模型给出某患者恶性肿瘤概率为87%时，医生能结合其他检查综合判断。相比之下，某些"黑箱"模型虽然准确率高，但"为什么是这个结果"的解释成本反而更高。

2. 手把手实现sigmoid函数

在头歌实训平台的第一个任务就是编写sigmoid函数。别看代码只有一行，藏着几个新手容易踩的坑：

import numpy as np def sigmoid(t): return 1.0/(1+np.exp(-t)) 

第一次我直接用math.exp实现，结果处理数组时报错。后来改用numpy的向量化计算，效率提升明显。测试时发现输入较大负数时会出现溢出警告，添加异常处理更健壮：

def safe_sigmoid(t): t = np.clip(t, -500, 500) # 防止数值溢出 return 1.0/(1+np.exp(-t)) 

实际项目中还会遇到数据尺度差异大的情况。比如癌细胞识别任务中，细胞核的"纹理"特征范围是[1,10]，而"面积"特征可能是[100,1000]。这时不进行特征标准化，sigmoid的输出会偏向大尺度特征。建议在训练前先做：