接着绘制一张特征权重图，然后用逻辑回归模型，计算模型效能

在使用逻辑回归模型后，为了可视化特征的重要性，你可以创建一个特征权重图表。这里是一个简单的步骤：

1. 首先，你需要训练逻辑回归模型，并在训练过程中记录每个特征的系数（对于线性逻辑回归，这等同于特征权重）。在`sklearn`中，这是通过`coef_`属性获取的。

from sklearn.linear_model import LogisticRegression
import matplotlib.pyplot as plt

# 假设你已经有了模型和特征数据
model = LogisticRegression()
model.fit(X_train, y_train)

coefficients = model.coef_[0]  # 对于二分类问题，得到的是每类的系数向量，选择其中一个即可

2. 接着，将这些系数排序，创建一个条形图或柱状图，横轴是特征名，纵轴是对应的特征权重（正负表示正相关和负相关）。

plt.barh(X.columns, coefficients, color='skyblue')
plt.xlabel('Feature Weights')
plt.title('Feature Importance in Logistic Regression Model')
plt.show()

3. 计算模型效能通常会用到交叉验证、准确率、精确率、召回率、F1分数等指标。例如，可以用`accuracy_score`计算准确率：

from sklearn.metrics import accuracy_score

y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")

其他评估指标可以通过类似的方式计算。