用python实现广义回归模型的训练代码

在Python中，我们可以使用sklearn库来实现广义线性回归（Generalized Linear Model, GLM）。以下是一个使用Logistic Regression作为广义回归的例子，它属于GLM的一种：

# 导入所需库
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
import pandas as pd

# 假设我们有一个名为'data.csv'的数据集，包含特征X和目标变量y
data = pd.read_csv('data.csv')

# 定义特征和目标变量
X = data.drop('target_column', axis=1) # 替换 'target_column' 为你的目标列名
y = data['target_column']

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并初始化Logistic回归模型
model = LogisticRegression(solver='liblinear') # 'liblinear'适合小样本数据

# 训练模型
model.fit(X_train, y_train)

# 测试模型
predictions = model.predict(X_test)

# 输出模型评估指标（例如精度）
print("模型在测试集上的准确率为:", model.score(X_test, y_test))

在这个例子中，`LogisticRegression`用于二元分类问题的广义线性回归，如果需要多元线性回归则直接实例化即可，无需指定`solver`。