使用逻辑回归模型对鸢尾花数据集进行分类。代码

逻辑回归是一种广泛用于预测二元结果的统计学习模型，它主要用于分类问题而非连续数值预测。在Python的Scikit-learn库中，我们可以使用`LogisticRegression`类对鸢尾花数据集进行分类。这里是一个简单的例子：

# 导入所需库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data  # 特征
y = iris.target  # 类别标签，0、1、2分别对应三种鸢尾花

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

# 如果需要，可以调整模型参数进一步优化性能

在这个代码中，我们首先加载鸢尾花数据，然后分割数据集以便训练和评估。接着创建逻辑回归模型，并通过训练数据对其进行拟合。最后，我们在测试集上做预测并计算模型的准确性。