为什么用sklearn和sigmoid函数生成的logistic回归模型的结果不同？

使用sklearn和sigmoid函数生成的logistic回归模型的结果不同的原因是因为它们在实现逻辑回归算法时的细节和参数设置不同。

首先，sklearn是一个机器学习库，它提供了逻辑回归算法的实现。sklearn的逻辑回归模型使用了一些默认参数和优化算法，例如使用了L2正则化来控制模型的复杂度，使用了liblinear或lbfgs等优化算法来求解模型参数。这些参数和算法的选择可能会导致模型的结果与使用sigmoid函数手动实现的逻辑回归模型不同。

其次，sigmoid函数是逻辑回归模型中的激活函数，用于将线性回归模型的输出转化为概率值。在sklearn中，sigmoid函数被内置在逻辑回归模型中，通过优化算法来拟合模型参数。而手动实现的逻辑回归模型中，需要自己编写代码来计算sigmoid函数，并使用梯度下降等优化算法来拟合模型参数。这些不同的实现方式可能会导致模型结果的差异。

另外，模型结果的差异还可能受到数据预处理、特征选择、模型评估等因素的影响。sklearn提供了一系列的数据预处理和特征选择方法，可以对数据进行标准化、归一化、特征选择等操作，这些操作可能会影响模型的结果。而手动实现的逻辑回归模型需要自己编写代码来进行这些操作，可能会有不同的实现方式和参数设置。

综上所述，使用sklearn和sigmoid函数生成的logistic回归模型的结果不同是由于它们在实现细节、参数设置、优化算法、数据预处理等方面的差异所导致的。如果想要得到相同的结果，可以尝试调整sklearn中的参数设置，或者在手动实现的逻辑回归模型中使用与sklearn相同的参数和算法。