请使用逻辑斯蒂回归训练手写数字数据集MNIST,请划分数据集成为训练集和测试集并按照8:2的比例进行划分，请提供代码和预测结果。

在Python中，我们可以使用scikit-learn库来处理逻辑斯蒂回归（Logistic Regression）模型，并结合MNIST手写数字数据集。以下是大致步骤：

首先，确保已经安装了所需的库：

pip install numpy pandas scikit-learn matplotlib

然后，导入必要的模块并加载MNIST数据：

import numpy as np
from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# Load the MNIST dataset
mnist = fetch_openml('mnist_784', version=1)

接下来，我们对数据进行预处理，将图像转换为一维数组，并划分训练集和测试集（80%训练，20%测试）：

X = mnist.data / 255.
y = mnist.target

# Split into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

现在，我们可以创建逻辑斯蒂回归模型并训练它：

model = LogisticRegression()
model.fit(X_train, y_train)

训练完成后，我们可以对测试集进行预测，并计算准确率：

y_pred = model.predict(X_test)

# Calculate accuracy
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy on test set: {accuracy * 100:.2f}%")

由于完整代码和实际运行需要环境支持，这里只给出了基本框架。运行上述代码时，你需要在一个有适当库环境的环境中运行，例如Jupyter Notebook或本地Python环境。