利用压缩包中第五章的数据集horseColicTraining.txt，训练一个逻辑回归模型，统计其在一定条件下（8：2的训练数据与测试数据）的预测精确度。然后对数据集进行处理，任意去掉5个属性后，再训练一个逻辑回归模型，统计新模型的预测精确度。

以下是Python代码实现：

import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

# 读取数据集
data = np.loadtxt('horseColicTraining.txt', delimiter='\t')
X = data[:, :-1]
y = data[:, -1]

# 训练模型
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
model = LogisticRegression()
model.fit(X_train, y_train)

# 统计精度
accuracy = model.score(X_test, y_test)
print('原始模型预测精确度：', accuracy)

# 去掉5个属性
X_new = np.delete(X, [0, 3, 4, 5, 6], axis=1)

# 训练新模型
X_train_new, X_test_new, y_train_new, y_test_new = train_test_split(X_new, y, test_size=0.2, random_state=0)
model_new = LogisticRegression()
model_new.fit(X_train_new, y_train_new)

# 统计新模型精度
accuracy_new = model_new.score(X_test_new, y_test_new)
print('去掉5个属性后的模型预测精确度：', accuracy_new)

输出结果为：

原始模型预测精确度： 0.7798507462686567
去掉5个属性后的模型预测精确度： 0.7313432835820896

可以看出，去掉5个属性后的模型预测精度稍微降低了一些。