X_trainSet, X_testSet, y_trainSet, y_testSet = train_test_split(X_data, y_data, random_state=1, test_size=0.25) logreg = LogisticRegression(C=100, penalty="l1", solver='liblinear').fit(X_trainSet, y_trainSet) # logreg = LogisticRegression(C=10).fit(X_trainSet, y_trainSet) print("Training set score: {:.3f}".format(logreg.score(X_trainSet, y_trainSet))) print("Test set score: {:.3f}".format(logreg.score(X_testSet, y_testSet))) print("lgreg.coef_:{}".format(logreg.coef_))

这段代码将数据集划分为训练集和测试集，并使用LogisticRegression进行训练和预测。首先，使用train_test_split函数将X_data和y_data分为训练集(X_trainSet和y_trainSet)和测试集(X_testSet和y_testSet)，其中训练集占总样本的75%，测试集占25%。

然后，使用LogisticRegression模型对训练集进行拟合，其中C=100表示正则化强度，penalty="l1"表示使用L1正则化，solver='liblinear'表示使用liblinear求解器。

接下来，打印了训练集和测试集的准确度得分，使用了score函数来计算模型在训练集和测试集上的准确度。

最后一行打印了logreg模型的系数(logreg.coef_)，表示特征对应的权重。