在上面这串代码的基础上，把总权重值转换为预测概率值，并输出预测后的xyz值和成矿概率

要在上面的代码基础上将总权重值转换为预测概率值，通常我们会使用sigmoid函数，因为它的输出范围在0到1之间，非常适合于二分类问题的预测概率。以下是修改后的代码段：

from sklearn.preprocessing import LogisticRegression
from scipy.special import expit  # 对数似然函数，等价于Sigmoid函数

# 创建一个Logistic回归模型
model = LogisticRegression(solver='lbfgs')  # 使用L-BFGS优化器，适合小样本数据

# 将数据分为特征和目标变量
features = data[['X', 'Y', 'Z']].values
labels = data['gold_deposit'].values

# 训练模型
model.fit(features, labels)

# 添加一个新的方法到DataFrame上，用于计算概率
def predict_probability(row, model, distance_woe, geology_woe):
    x_data = [row['X'], row['Y'], row['Z']]
    feature_scores = np.array([distance_woe, geology_woe]).dot(x_data)
    probability = expit(feature_scores)
    return probability

data['probability'] = data.apply(lambda row: predict_probability(row, model, distance_woe, geology_woe), axis=1)

# 输出预测后的XYZ值和成矿概率
print("Predicted XYZ values and mining probabilities:")
print(data[['X', 'Y', 'Z', 'probability']])

这段代码首先创建了一个逻辑回归模型并训练它，然后定义了一个新方法 `predict_probability`，该方法结合了特征权值和位置信息，并使用Sigmoid函数将其转换为概率。最后，它将这个概率添加到了数据框的新列 "probability" 中。