Bank Marketing数据集用于客户行为预测，用sklearn自带的函数实现逻辑回归，建立回归模型

Bank Marketing 数据集是一个常见的金融领域数据集，常用于机器学习中的分类任务，特别是二分类问题，比如预测客户是否会办理某项银行产品。在使用sklearn库进行分析时，逻辑回归是一种常用的算法，因为它能够处理数值型和类别型特征，并且解释性强。

首先，你需要做的是导入必要的库并加载数据集：

import pandas as pd
from sklearn.datasets import load_breast_cancer  # 这里是错误的，应该是load_bankMarketing
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

# 加载数据
data = load_bankMarketing()
X = data.data
y = data.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

然后对数据进行预处理，通常包括特征缩放（如标准化）：

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

接着，你可以创建并训练逻辑回归模型：

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

最后，评估模型性能：

y_pred = model.predict(X_test_scaled)
accuracy = model.score(X_test_scaled, y_test)
print("Accuracy:", accuracy)