1.1建立Logistic的3阶多项式；

在建立Logistic回归的3阶多项式之前，我们首先要了解Logistic回归原本用于解决二元分类问题，其函数形式通常是线性的。然而，通过使用多项式特征转换，我们可以将输入变量的非线性关系表示出来。

以下是使用Python的sklearn库创建3阶多项式特征的过程：

from sklearn.preprocessing import PolynomialFeatures

# 初始化一个多项式特征提取器，设置degree为3
poly_features = PolynomialFeatures(degree=3)

# 对X数据应用多项式转换
X_poly = poly_features.fit_transform(X)

# 现在的X_poly不再是简单的二维数组，而是包含了原始特征以及它们的所有3阶组合

在这个过程中，每个样本都会被转化为一个包含各种项的向量，包括原值、一阶导数、二次项、三次项等。这样做可以让模型拟合更复杂的决策边界，尽管原始数据可能是线性的，通过多项式转换后的数据则可以体现潜在的非线性模式。

在实际的模型训练中，你会用这个新的`X_poly`替代原来的`X`，继续使用Logistic回归进行拟合。