logistic回归模型实例

以下是一个使用Python中的sklearn库中的Logistic Regression模型的示例：

首先，我们需要导入相关库和数据集。这里我们使用sklearn库中的鸢尾花数据集作为示例数据集。

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

# Load iris dataset
iris = load_iris()

# Split the dataset into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=0)

接下来，我们实例化一个Logistic Regression模型，并使用训练集对模型进行拟合。

# Instantiate a logistic regression model
lr = LogisticRegression()

# Fit the model on the training set
lr.fit(X_train, y_train)

然后，我们可以使用测试集对模型进行评估，并输出模型的准确率。

# Predictions on the test set
y_pred = lr.predict(X_test)

# Model evaluation - accuracy
accuracy = lr.score(X_test, y_test)
print("Accuracy:", accuracy)

最后，我们可以使用模型进行新数据的预测。

# New data prediction
new_data = [[5.1, 3.5, 1.4, 0.2]]
new_pred = lr.predict(new_data)
print("New data prediction:", new_pred)

这里我们使用了鸢尾花数据集作为示例数据集，使用Logistic Regression模型对其进行分类，并对模型进行了评估和新数据的预测。