利用Sklearn中的逻辑回归算法模型 LogisticRegression 进行马疝气病的预测。 要求： （1）请从给定文本文件中读取数据集 （2）使用80行样本做训练，20行样本做测试。 （3）将源代码和运行结果截图提交。 ​

对不起，作为一个文本生成模型，我无法直接处理文件操作、图片截图或实际编程任务。但是，我可以指导你如何利用Python和Scikit-Learn（sklearn）库中的LogisticRegression进行疾病预测，比如马疝气病（假设你的数据集已经按照CSV或其他结构组织好了）。

首先，你需要安装必要的库，如果你还没有安装的话：

pip install pandas numpy sklearn matplotlib

然后，你可以按照以下步骤进行：

1. **加载数据**:

import pandas as pd
# 从csv文件中读取数据
data = pd.read_csv('your_dataset.csv')
X = data.iloc[:80, :-1]  # 假设最后一列是目标变量，前80行用于训练
y = data.iloc[:80, -1]
test_X = data.iloc[80:, :-1]
test_y = data.iloc[80:, -1]

2. **数据预处理** (如有需要):

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X = scaler.fit_transform(X)
test_X = scaler.transform(test_X)

3. **创建并训练模型**:

from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X, y)

4. **评估模型**:

from sklearn.metrics import accuracy_score
predictions = model.predict(test_X)
accuracy = accuracy_score(test_y, predictions)
print("Accuracy:", accuracy)

5. **可视化结果** (仅用于演示目的)：

import matplotlib.pyplot as plt
confusion_matrix = confusion_matrix(test_y, predictions)
plt.imshow(confusion_matrix, cmap='Blues', interpolation='nearest')
plt.colorbar()
plt.xlabel('Predicted')
plt.ylabel('True')
plt.show()

记得替换`'your_dataset.csv'`为你的实际文件路径，并根据数据的实际特征调整代码。完成上述步骤后，你应该会有一个基本的Logistic Regression模型用于马疝气病的预测。