logistic回归模型python代码

以下是一个 logistic 回归模型的 Python 代码示例：

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

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

# 划分特征变量和目标变量
X = data.iloc[:, :-1]
y = data.iloc[:, -1]

# 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 logistic 回归模型
model = LogisticRegression()

# 拟合模型
model.fit(X_train, y_train)

# 在测试集上进行预测
predictions = model.predict(X_test)

# 计算准确率
accuracy = np.mean(predictions == y_test)
print(f"Accuracy: {accuracy}")

在这个例子中，我们假设数据集保存在一个名为 `data.csv` 的文件中。我们使用 `pandas` 库来读取数据集，并将特征变量 `X` 和目标变量 `y` 划分出来。然后，我们使用 `train_test_split` 函数将数据集划分为训练集和测试集。接下来，我们创建了一个 logistic 回归模型，并使用 `fit` 方法在训练集上拟合模型。然后，我们使用训练好的模型在测试集上进行预测，并计算预测的准确率。

请注意，这只是一个简单的示例。在实际应用中，你可能需要对数据进行预处理、进行特征选择、调整模型参数、评估模型性能等。另外，还需要注意处理数据集的格式和缺失值等问题。