理解和掌握Logistic回归模型，对LogisticRegression类的参数及功能进行解释说明（参考代码3_Otto_train_LR.py）

Logistic回归模型是一种二元分类模型，主要用于处理二分类问题。在sklearn库中，LogisticRegression类是实现Logistic回归模型的类。下面对LogisticRegression类的主要参数及功能进行解释说明。

1. 参数

（1）penalty：正则化项，取值为l1或l2，默认为l2。

（2）C：正则化强度的倒数，取值为大于0的浮点数，默认为1.0。

（3）fit_intercept：是否需要截距，取值为布尔型，默认为True。

（4）solver：优化算法，取值为newton-cg, lbfgs, liblinear, sag, saga中的一个，默认为liblinear。

（5）max_iter：最大迭代次数，取值为正整数，默认为100。

（6）multi_class：多分类问题的处理方式，取值为ovr或multinomial，默认为ovr。

（7）n_jobs：指定CPU数，-1表示使用全部CPU，默认为1。

2. 功能

（1）fit(X, y)：用训练集数据X和标签y拟合模型，训练模型。

（2）predict(X)：用训练好的模型预测测试集数据X的标签。

（3）score(X, y)：用测试集数据X和标签y计算模型的精度。

（4）intercept_：返回模型的截距。

（5）coef_：返回模型的系数。

（6）get_params()：获取模型的参数。

（7）set_params(**params)：设置模型的参数。

在代码3_Otto_train_LR.py中，LogisticRegression类的主要使用方式为先用训练集数据和标签拟合模型，然后用测试集数据检验模型的性能。具体实现方式为：

（1）定义LogisticRegression类对象lr，并设置C=1.0，multi_class='ovr'等参数。

（2）用训练集数据和标签拟合模型lr.fit(train_X, train_y)。

（3）用测试集数据预测标签lr.predict(test_X)，并计算模型精度lr.score(test_X, test_y)。