逻辑回归糖尿病python

逻辑回归是一种广泛用于分类任务的统计模型，特别是在二分类问题中预测结果的概率。针对糖尿病预测这类问题，逻辑回归可以用来识别个体是否有患糖尿病的风险，基于输入的特征变量如年龄、BMI等。

在Python中，我们可以使用sklearn库来实现逻辑回归。以下是简单的步骤：

1. 导入所需库：

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

2. 加载数据集（假设数据在'diabetes.csv'文件中）：

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

3. 数据预处理，包括特征选择、缺失值处理和转换（例如，如果特征是类别型，需要编码）：

X = data.drop('Outcome', axis=1)  # 假设最后一列是目标变量
y = data['Outcome']

# 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)

4. 创建并训练逻辑回归模型：

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

5. 预测并评估模型性能：

y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
conf_mat = confusion_matrix(y_test, y_pred)
print("Accuracy:", accuracy)
print("Confusion Matrix:\n", conf_mat)