自选数据集，分别演示线性模型及逻辑回归模型，并对模型的性能进行评估。

自选数据集通常是指我们从现有的公开数据源挑选或根据特定研究需要收集的数据，用于训练和测试机器学习模型。这里以一个简化的过程为例：

1. **数据准备**：首先，我们需要选择一个适合做线性模型和逻辑回归的数据集，例如经典的鸢尾花（Iris）数据集、波士顿房价数据（Boston Housing Dataset），或者一些关于客户购买行为的二分类问题数据。

2. **线性模型示例**：Python中的`sklearn`库提供了`LinearRegression`模型，我们可以导入并加载数据：

from sklearn import datasets
import pandas as pd

iris = datasets.load_iris()  # 或者使用pandas读取csv文件
X, y = iris.data, iris.target

然后创建并训练模型：

from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X, y)

预测新数据并评估：

y_pred = model.predict(X_test)  # 如果有测试集
mse = mean_squared_error(y_test, y_pred)  # 计算均方误差

3. **逻辑回归示例**：对于二分类问题，可以使用`LogisticRegression`：

from sklearn.linear_model import LogisticRegression
logreg = LogisticRegression()
logreg.fit(X, y)
y_pred_logreg = logreg.predict(X_test)
accuracy_score = accuracy_score(y_test, y_pred_logreg)

4. **性能评估**：常用指标包括准确率、精确率、召回率、F1分数（对于分类任务）、R²得分（对于回归任务）。通过交叉验证（如k折CV）来更准确地估计模型性能，避免过拟合或欠拟合。