lr逻辑回归 python

逻辑回归（Logistic Regression）是一种用解决二分类问题的机器学习算法。它通过将输入特征与权重相乘，并通过一个逻辑函数（如sigmoid函数）将结果映射到0和1之间的概率值，来预测样本属于某个类别的概率。

在Python中，可以使用scikit-learn库来实现逻辑回归算法。以下是一个简单的示例代码：

from sklearn.linear_model import LogisticRegression

# 创建逻辑回归模型对象
lr_model = LogisticRegression()

# 准备训练数据
X_train = [[feature1, feature2, ...], [feature1, feature2, ...], ...]  # 特征矩阵
y_train = [label1, label2, ...]  # 标签向量

# 训练模型
lr_model.fit(X_train, y_train)

# 使用模型进行预测
X_test = [[feature1, feature2, ...], [feature1, feature2, ...], ...]  # 待预测的特征矩阵
y_pred = lr_model.predict(X_test)  # 预测结果

# 获取模型参数
coef = lr_model.coef_  # 权重参数
intercept = lr_model.intercept_  # 截距参数

以上代码中，首先导入了`LogisticRegression`类，然后创建了一个逻辑回归模型对象`lr_model`。接着准备训练数据，其中`X_train`是特征矩阵，`y_train`是对应的标签向量。通过调用`fit`方法，可以对模型进行训练。然后，可以使用训练好的模型对新的数据进行预测，通过调用`predict`方法得到预测结果。最后，可以通过`coef_`和`intercept_`属性获取模型的权重参数和截距参数。