现有一个数据集，前两列作为特征，最后一列作为标签，请用python中的逻辑回归建立模型，并用测试集进行预测，并将预测结果可视化，具体是要求在同一张图上，实际的分类结果用散点表示，预测的分类结果用虚线划定一片区域，最后计算误分类率

好的，我会按照您的要求回答。首先，我们需要导入相关的库和数据集。假设数据集已经被读取为一个名为`data`的DataFrame对象。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

# 假设前两列为特征，最后一列为标签
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 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=0)

接下来，我们可以使用逻辑回归模型训练数据并进行预测。

# 训练模型
classifier = LogisticRegression(random_state=0)
classifier.fit(X_train, y_train)

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

为了可视化分类结果，我们可以将数据集中的特征和标签分别取出，并将它们传递给`scatter()`函数。

# 取出数据集中的特征和标签
x1 = X[:, 0]
x2 = X[:, 1]

# 绘制散点图
plt.scatter(x1, x2, c=y)

接下来，我们需要绘制分类边界。为此，我们可以使用`meshgrid()`函数生成网格点，并将它们传递给模型的`predict()`函数预测每个网格点的类别。然后，我们可以使用`contour()`函数绘制分类边界。

# 生成网格点
xx, yy = np.meshgrid(np.arange(x1.min()-1, x1.max()+1, 0.1),
                     np.arange(x2.min()-1, x2.max()+1, 0.1))

# 预测网格点的类别
Z = classifier.predict(np.array([xx.ravel(), yy.ravel()]).T)
Z = Z.reshape(xx.shape)

# 绘制分类边界
plt.contour(xx, yy, Z, alpha=0.4)

最后，我们可以计算误分类率并将它打印出来。

# 计算误分类率
error_rate = (y_test != y_pred).mean()
print(f"误分类率：{error_rate:.2%}")

将所有代码整合起来，我们得到以下完整的程序。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

# 假设前两列为特征，最后一列为标签
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 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=0)

# 训练模型
classifier = LogisticRegression(random_state=0)
classifier.fit(X_train, y_train)

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

# 取出数据集中的特征和标签
x1 = X[:, 0]
x2 = X[:, 1]

# 绘制散点图
plt.scatter(x1, x2, c=y)

# 生成网格点
xx, yy = np.meshgrid(np.arange(x1.min()-1, x1.max()+1, 0.1),
                     np.arange(x2.min()-1, x2.max()+1, 0.1))

# 预测网格点的类别
Z = classifier.predict(np.array([xx.ravel(), yy.ravel()]).T)
Z = Z.reshape(xx.shape)

# 绘制分类边界
plt.contour(xx, yy, Z, alpha=0.4)

# 计算误分类率
error_rate = (y_test != y_pred).mean()
print(f"误分类率：{error_rate:.2%}")

plt.show()