建立一个逻辑回归模型，根据自己前几次的作业成绩，来预测自己期末考试的成绩能否够80， python 编程实现

好的，这是一个分类问题，我们可以使用逻辑回归模型进行建模。以下是实现的步骤：

1. 导入需要的库和数据集

我们需要使用 `pandas` 库来读取数据集，使用 `sklearn` 库来进行模型的建立和评估。

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

2. 读取数据集

我们可以使用 `pandas` 库中的 `read_csv()` 函数来读取数据集。

data = pd.read_csv('grades.csv')

3. 数据预处理

我们需要对数据进行预处理，将成绩数据转化为二分类问题，即将成绩大于等于80分的标记为1，小于80分的标记为0。

data['pass'] = data['grade'].apply(lambda x: 1 if x >= 80 else 0)

4. 划分数据集

我们将数据集分为训练集和测试集，其中训练集用于模型的训练，测试集用于模型的评估。

X = data[['exam1', 'exam2', 'exam3']]
y = data['pass']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

5. 建立模型

我们使用 `sklearn` 库中的 `LogisticRegression()` 函数来建立逻辑回归模型。

model = LogisticRegression()
model.fit(X_train, y_train)

6. 模型评估

我们使用测试集来评估模型的预测效果，这里我们使用准确率作为评估指标。

y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

完整代码如下：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 读取数据集
data = pd.read_csv('grades.csv')

# 数据预处理
data['pass'] = data['grade'].apply(lambda x: 1 if x >= 80 else 0)

# 划分数据集
X = data[['exam1', 'exam2', 'exam3']]
y = data['pass']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 建立模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 模型评估
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

注意：这里的数据集需要根据实际情况进行替换。