🌡️ 阶段1：温度计的秘密 —— 认识 S 曲线

💡 核心思想：逻辑回归用一个叫 Sigmoid 的函数，把体温变成 0~1 的概率。
横轴是体温(35~42℃)，纵轴是"需要休息的概率"。拖动滑块，看看圆点在 S 曲线上如何移动！
37.0℃
2.0
💡 操作提示：拖动"体温"滑块，观察圆点在 S 曲线上移动；拖动"陡峭度"滑块，看 S 曲线如何变陡变缓。曲线越陡，判断越"果断"。
需要休息概率（红色=需要休息，绿色=健康）
50.0%
当前体温 37.0℃ —— 概率约 50%，处于"临界"区域

🤔 动动脑筋

1. 当体温正好等于 37℃ 时，S 曲线对应的"需要休息概率"大约是多少？

2. 为什么 S 曲线是 S 形的，而不是一条斜直线？

📝 本阶段要点

  • Sigmoid 函数 σ(z) = 1 / (1 + e⁻ᶻ) 把任意数值映射到 0~1 的概率
  • S 曲线中间最陡（变化快），两端平缓（接近 0 或 1）
  • 体温越高，"需要休息概率"越接近 1
  • 陡峭度越大，模型判断越"果断"，过渡区间越窄

📊 阶段2：收集健康数据 —— 让模型自己学

💡 核心思想：先选一个类别（红=需要休息 / 绿=健康），再在画布上点击添加数据点。
点击"开始训练"，模型会用梯度下降自动调整 S 曲线去拟合数据，同时显示准确率和损失值！
0.15
🖱️ 操作步骤：① 选择类别 → ② 在画布上点击添加数据点 → ③ 点击"开始训练"看 S 曲线拟合 → ④ 调整学习率观察训练快慢
🎯 准确率--
📉 损失值--
📦 数据点数0
尚未开始训练。先添加一些红绿数据点吧！

🤔 动动脑筋

1. 训练过程中，损失值为什么会不断下降？

2. 如果红绿两类数据点完全混在一起（低温也有红的、高温也有绿的），S 曲线会怎样？

📝 本阶段要点

  • 训练就是让模型从数据中"学"出 S 曲线的参数（斜率 m 和偏置 b）
  • 梯度下降：按"误差的减少方向"一点点调整参数
  • 交叉熵损失衡量预测概率与真实标签的差距，越小越好
  • 学习率太大可能"跳过"最优解，太小则训练很慢

⚖️ 阶段3：画出分界线 —— 决策边界探究

💡 核心思想：训练好的模型给出概率，但"概率多大才算需要休息"由阈值决定。
拖动阈值滑块，观察决策边界（竖线）移动，分类结果如何变化。背景颜色深浅表示概率大小！
0.50
🎚️ 动手试试：把阈值调到 0.9（很谨慎）或 0.1（很宽松），观察决策边界竖线左右移动，误分类数如何变化。
🎯 准确率--
❌ 误分类数--
📐 当前阈值0.50
阈值 0.5：概率大于 0.5 判为"需要休息"

🤔 动动脑筋

1. 阈值设为 0.9 意味着什么？

2. 在什么情况下应该把阈值提高（比如从 0.5 提到 0.8）？

📝 本阶段要点

  • 决策边界 = 概率等于阈值的那条线（这里是一条竖线，对应某个体温值）
  • 阈值越高，越"保守"（少判正类），误判正类的风险降低
  • 阈值越低，越"激进"，可能漏掉真正需要休息的同学
  • 阈值要根据实际场景权衡，没有唯一正确答案

🌟 阶段4：健康小卫士上岗 —— 真实应用

💡 应用目标：逻辑回归不只是量体温！它还能预测考试及格、识别垃圾邮件、给植物分类。
选择一个场景，模型会自动训练。点击画布添加测试点，看看分类结果！
🖱️ 操作：切换场景查看不同应用 → 点击"添加测试点"后在画布上点击 → 观察新点的分类结果（边框颜色=预测类别）
🎯 模型准确率--
🧪 测试点数0
📊 场景考试
选择场景并训练后，点击画布添加测试点查看分类

🤔 动动脑筋

1. 逻辑回归只能做二分类，如果要把邮件分成"正常/广告/诈骗"3 类，该怎么办？

2. 开放题：想想生活中还有什么场景可以用逻辑回归来解决？写下来吧！

📝 本阶段要点

  • 逻辑回归可应用于任何"二分类"场景：及格/不及格、垃圾/正常、品种A/B
  • 不同场景的特征范围不同，但 S 曲线的思想完全一样
  • 多分类问题可以用"一对多"组合多个逻辑回归模型
  • 模型的效果取决于特征是否有区分度、数据是否充足