# 分别训练逻辑回归和决策树分类模型 from sklearn. import LogisticRegression from sklearn. import DecisionTreeClassifier

好的，我可以为您演示如何使用 scikit-learn 库中的逻辑回归和决策树分类模型进行训练。

首先，我们需要导入必要的库和数据。假设我们有一个名为 `data` 的数据集，其中包含了一些输入特征和它们所对应的分类标签：

from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier

# 导入数据
X = data.iloc[:, :-1]
y = data.iloc[:, -1]

# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

接下来，我们可以使用逻辑回归模型进行训练和预测：

# 创建逻辑回归分类器对象
lr = LogisticRegression()

# 训练模型
lr.fit(X_train, y_train)

# 预测测试集
y_pred_lr = lr.predict(X_test)

# 计算分类器的准确率
accuracy_lr = accuracy_score(y_test, y_pred_lr)

print("逻辑回归分类器的准确率为: ", accuracy_lr)

然后，我们可以使用决策树分类器进行训练和预测：

# 创建决策树分类器对象
dt = DecisionTreeClassifier()

# 训练模型
dt.fit(X_train, y_train)

# 预测测试集
y_pred_dt = dt.predict(X_test)

# 计算分类器的准确率
accuracy_dt = accuracy_score(y_test, y_pred_dt)

print("决策树分类器的准确率为: ", accuracy_dt)

希望这些代码可以帮助您使用 scikit-learn 库中的逻辑回归和决策树分类模型进行训练和预测。