机器学习logistic回归 python代码

下面是一个使用 Logistic 回归进行二分类的示例代码：

import numpy as np
from sklearn.linear_model import LogisticRegression

# 构造训练数据
X_train = np.array([[1, 2], [2, 3], [3, 4], [4, 5]])
y_train = np.array([0, 0, 1, 1])

# 创建 Logistic 回归模型
model = LogisticRegression()

# 训练模型
model.fit(X_train, y_train)

# 构造测试数据
X_test = np.array([[5, 6], [6, 7]])

# 预测测试数据
y_pred = model.predict(X_test)

print("预测结果:", y_pred)

在这个示例中，我们使用了 `sklearn` 库中的 `LogisticRegression` 类来构建和训练 Logistic 回归模型。首先，我们定义了训练数据 `X_train` 和对应的标签 `y_train`。然后，我们创建了一个 Logistic 回归模型对象 `model` 并调用 `fit` 方法来对模型进行训练。接下来，我们定义了测试数据 `X_test`，并调用 `predict` 方法来预测测试数据的标签。最后，我们打印出预测结果 `y_pred`。

请注意，这只是一个简单的示例，实际应用中可能需要进行数据预处理、特征工程和模型评估等步骤。同时，还可以使用交叉验证、调参等技术来提高模型性能。