python逻辑回归代码

以下是一个使用Python进行逻辑回归的简单示例代码：

import numpy as np
from sklearn.linear_model import LogisticRegression

# 准备训练数据
X_train = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])
y_train = np.array([0, 0, 1, 1])

# 创建逻辑回归模型
model = LogisticRegression()

# 使用训练数据拟合模型
model.fit(X_train, y_train)

# 准备测试数据
X_test = np.array([[2, 3], [4, 5]])

# 使用训练好的模型进行预测
predictions = model.predict(X_test)

# 打印预测结果
print(predictions)

这段代码使用`numpy`库创建了一个简单的训练数据集`X_train`和对应的标签`y_train`。然后使用`sklearn`库的`LogisticRegression`类创建逻辑回归模型，并使用训练数据拟合模型。接着，使用测试数据集`X_test`进行预测，并打印出预测结果。

请注意，这只是一个简单的示例代码，实际应用中可能需要对数据进行预处理、进行交叉验证等步骤来优化模型的性能。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* *3* [机器学习之逻辑回归Logistic Regression（python代码实现）](https://blog.csdn.net/qq_41750911/article/details/124889545)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"]
[ .reference_list ]