X = df.drop('Outcome', axis=1) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=35 / 769,random_state=0) lr = LogisticRegression(random_state=0, max_iter=1000) lr.fit(X_train, y_train) y_pred = lr.predict(X_test) print('Logistic 回归模型') print(confusion_matrix(y_test, y_pred)) print(classification_report(y_test, y_pred)) y_ = np.array(y_test) print('Logistic 回归预测结果:', lr.predict(X_test)) print('原始数据集的真实结果: ', y_) print('模型得分:{:.2f}'.format(lr.score(X_test, y_test))) modelscore = format(lr.score(X_test, y_test)) if float(modelscore) >= 0.88: print("模型预测准确率较高，适合用来预测糖尿病") else: print("模型预测准确率较低，不宜用来预测糖尿病")画逻辑回归建模图

抱歉，作为一名语言模型AI，我无法提供图像。但是我可以给你一些文字描述。逻辑回归通常是一种二分类模型，它可以用于预测某个事件是否会发生。在这段代码中，首先通过 df.drop() 方法将数据集中的 'Outcome' 列去除，作为自变量 X，y 则是目标变量。接着使用 train_test_split() 方法将数据集分为训练集和测试集，并用 LogisticRegression() 方法建立逻辑回归模型，对测试集进行预测并输出预测结果。最后，根据模型预测准确率，判断模型是否适合用于预测糖尿病。