基于逻辑回归的鸢尾花分类 4.模型训练 可直接采用sklearn库中的LogisticRegression模型 from sklearn.linear_model import LogisticRegression 鸢尾花是三分类，建议采用“一对剩余”

基于逻辑回归的鸢尾花分类通常涉及以下几个步骤：

数据准备：首先需要导入鸢尾花数据集，可以使用sklearn库中的load_iris()函数加载Iris dataset，这是一个经典的机器学习示例，包含了150个样本，每个样本有四个特征（花瓣长度、花瓣宽度、萼片长度和萼片宽度），目标变量是三个品种之一。

from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
登录后复制

预处理：数据可能需要标准化或归一化，以便逻辑回归模型更好地工作。对于连续特征，通常会将它们转换到相同的尺度上。

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
登录后复制

模型训练：使用LogisticRegression类创建一个实例，并调用fit()方法对数据进行拟合。由于是多分类问题，可以使用multi_class参数指定策略，如"ovr"（一对一），这是默认值，代表为每个类别建立独立的逻辑回归模型。

from sklearn.linear_model import LogisticRegression
model = LogisticRegression(multi_class='auto')
model.fit(X_scaled, y)
登录后复制

评估：训练完成后，通过交叉验证、混淆矩阵等方法评估模型性能，例如查看精确率、召回率和F1分数。

from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, X_scaled, y, cv=5)
print("Cross-validation scores:", scores)
登录后复制