python 逻辑回归

# 导入必要的库
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
from sklearn.metrics import accuracy_score

# 加载数据集
data = load_iris()
X = data.data  # 特征
y = data.target  # 标签

# 为了简化问题，我们只使用前两个类别（0和1）
X = X[y < 2]
y = y[y < 2]

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建逻辑回归模型
model = LogisticRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"模型的准确率为: {accuracy:.2f}")

# 解释说明：
# 1. 我们使用了sklearn中的LogisticRegression类来实现逻辑回归。
# 2. 数据集使用的是Iris数据集，但为了简化问题，我们只选择了前两个类别（0和1）进行二分类。
# 3. 使用train_test_split将数据集划分为训练集和测试集。
# 4. 模型训练完成后，使用测试集进行预测，并计算预测结果的准确率。