python logistic回归预测

Python中的逻辑回归是一种常用的分类算法，用于预测二问题。它基于线性回归模，通过将线性函数的输出映射到一个概率值来进行分类。

在Python中，可以使用scikit-learn库来实现逻辑回归模型。以下是一个简单的示例代码：

# 导入所需的库
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 准备数据集
X = [[1, 2], [2, 3], [3, 1], [4, 3], [5, 3], [6, 2]]
y = [0, 0, 0, 1, 1, 1]

# 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)

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

# 在训练集上训练模型
model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率:", accuracy)

这段代码首先导入了所需的库，然后准备了一个简单的数据集。接下来，使用`train_test_split`函数将数据集划分为训练集和测试集。然后，创建一个逻辑回归模型，并在训练集上进行训练。最后，使用测试集进行预测，并计算准确率。