逻辑回归多分类 python代码

逻辑回归是一种二分类算法，但可以通过一些技巧来实现多分类任务。在Python中，可以使用Scikit-learn库来实现逻辑回归的多分类问题。下面是一个示例代码：

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载数据集
data = load_iris()
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)

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

# 拟合训练数据
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("Accuracy:", accuracy)

这段代码使用鸢尾花数据集（load_iris）作为示例数据，将其划分为训练集和测试集，并使用逻辑回归模型进行拟合和预测。最后计算了预测结果的准确率。

需要注意的是，以上代码只是一个简单的示例，实际应用中可能需要进行更多的数据预处理、特征工程等步骤，以及使用更复杂的参数调优方法来提高模型性能。