逻辑斯蒂回归模型代码

逻辑斯蒂回归（Logistic Regression）是一种用于解决二分类问题的线性模型，它通过将输入特征与权重相乘，然后经过一个sigmoid函数转换得到预测概率。以下是Python中sklearn库中使用逻辑斯蒂回归的一个简单例子：

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

# 假设我们有一个数据集df，其中包含特征X和标签y
data = pd.read_csv('your_dataset.csv') # 替换为实际文件路径
X = data.drop('target', axis=1)  # 假设'target'是目标列
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)

# 创建并训练逻辑斯蒂回归模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 预测
predictions = model.predict(X_test)
probability_predictions = model.predict_proba(X_test)

# 模型评估
score = model.score(X_test, y_test)

在这个例子中，`fit()`方法用于训练模型，`predict()`方法用于生成预测结果，`predict_proba()`方法则返回每个样本属于正类的概率。最后，`score()`函数计算模型在测试集上的准确率。