LogisticRegression默认不输出概率，需调用predict_proba获取正类概率；class_weight='balanced'调整损失权重而非重采样；decision_function与predict_proba数值不同属正常，因后者为前者的sigmoid映射。
LogisticRegression 默认不输出概率，得手动调 predict_proba
很多人跑完 LogisticRegression，直接用 predict，结果只拿到 0/1 标签，但实际需要的是“这个样本是正类的概率”——比如风控里要设阈值、推荐里要排序。默认不返回概率，不是模型坏了，是设计如此。
实操建议：
立即学习“Python免费学习笔记（深入）”；
-
predict返回离散类别（0 或 1），predict_proba才返回二维数组，第二列才是正类（即y==1）的概率 - 必须确保训练时没禁用概率估计：如果用了
solver='liblinear'且n_samples很小，一般没问题；但若用了solver='saga'且没设max_iter，可能收敛失败，predict_proba会报NotFittedError - 概率校准不一定准：默认的
LogisticRegression输出的predict_proba是 Platt scaling 结果，对不平衡数据或小样本容易过自信，必要时加CalibratedClassifierCV
class_weight='balanced' 不等于重采样，它改的是损失函数里的权重
遇到正负样本比例悬殊（比如 1:100），模型倾向于全预测负类。class_weight='balanced' 常被当作“自动解决不平衡”的开关，但它干的其实很具体：在计算 logistic loss 时，给少数类样本的损失乘上一个系数（n_samples / (n_classes * n_samples_in_class)），不改变训练数据本身。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 它不生成新样本，也不删样本，所以训练速度不受影响，内存占用低
- 和
sample_weight参数效果类似，但更省事；若需精细控制（比如按业务风险设不同权重），还是得手写sample_weight数组 - 注意和
scale_pos_weight（XGBoost 里常用）别混淆——sklearn 的LogisticRegression没这参数 - 配合
penalty='l1'时，class_weight仍生效，但稀疏解可能让部分特征权重归零，间接影响类别权重的实际作用
decision_function 和 predict_proba 输出不一致？那是正常现象
有人对比 decision_function 的输出和 predict_proba 第二列，发现数值对不上，怀疑模型出 bug。其实这是两个不同映射：前者是线性组合 dot(X, coef_) + intercept_，后者是经 sigmoid 映射后的概率，二者本就不该相等。
实操建议：
立即学习“Python免费学习笔记（深入）”；
-
decision_function值可正可负，绝对值大小反映“距离决策边界有多远”，适合做异常分层或集成时的输入 -
predict_proba是1 / (1 + exp(-decision_function))，仅当使用penalty=None或l2且solver支持时才严格满足该公式；若用l1或elasticnet，由于系数截断，sigmoid 关系会轻微失真 - 如果要做阈值搜索（如找最佳 F1），优先用
decision_function—— 它是线性的，遍历更快；predict_proba要多一次 exp 计算
coef_ 维度对不上 X 列数？检查是否用了 OneHotEncoder 且没设 drop='first'
训练后打印 model.coef_，发现 shape 是 (1, 17) 但原始数据明明只有 5 列，这是典型编码膨胀问题。尤其用 pandas.get_dummies 或 OneHotEncoder 处理分类变量时，没处理冗余列，就会让系数维度暴增，还引入共线性。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用
OneHotEncoder(drop='first')或pd.get_dummies(..., drop_first=True)，避免基准类别重复编码 - 别在
LogisticRegression前漏掉StandardScaler：虽然逻辑回归对量纲不敏感，但l1/elasticnet正则依赖系数模长，未标准化会导致某些特征被过度惩罚 - 如果用了
ColumnTransformer，务必用model.named_steps['preprocessor'].transformers_[i][1].get_feature_names_out()对齐特征名和coef_索引，不然根本不知道哪个系数对应哪个变量
事情说清了就结束。最常被忽略的其实是：LogisticRegression 的 intercept_ 默认参与正则，这点和很多教材写的“截距不正则”不一样——除非你显式设 fit_intercept=False。
