PyTorh逻辑回归练习-信用卡数据，基于pytorh深度学习框架，使用逻辑回归，对已有的credit-a.csv和income1.csv这两个信用卡数据进行预测。提示：逻辑回归从本质来说属于二分类问题，需要用到Sigmoid函数。 给出完整且带详细解析的代码

PyTorch逻辑回归实践通常包括以下几个步骤：数据预处理、加载数据、模型构建、训练模型以及评估性能。这里是一个简单的示例，展示如何使用PyTorch进行逻辑回归任务，假设我们有credit-a.csv和income1.csv两个CSV文件，其中包含有关信用卡申请的数据和收入信息。

首先，我们需要安装所需的库，如pandas、numpy、torch等：

pip install pandas numpy torch torchvision (如果需要处理图像数据)

接下来，导入必要的模块并读取数据：

import torch
import torch.nn as nn
import torch.optim as optim
import pandas as pd

# 加载数据
credit_data = pd.read_csv('credit-a.csv')
income_data = pd.read_csv('income1.csv')

# 合并数据集，假设两列对齐
data = pd.concat([credit_data, income_data], axis=1)

然后，我们需要预处理数据，将分类特征转换为数值表示，并划分训练集和测试集：

# 数据预处理
X = data.drop('target_column', axis=1)  # 'target_column'是我们要预测的目标变量
y = data['target_column']

# 将数据转化为Tensor
X_tensor = torch.tensor(X.values, dtype=torch.float32)
y_tensor = torch.tensor(y.values, dtype=torch.float32).view(-1, 1)

# 划分训练集和测试集
train_size = int(0.8 * len(X_tensor))
train_X, test_X = X_tensor[:train_size], X_tensor[train_size:]
train_y, test_y = y_tensor[:train_size], y_tensor[train_size:]

创建逻辑回归模型，定义损失函数（二元交叉熵Loss）和优化器：

class LogisticRegression(nn.Module):
    def __init__(self, input_dim):
        super(LogisticRegression, self).__init__()
        self.linear = nn.Linear(input_dim, 1)

    def forward(self, x):
        return torch.sigmoid(self.linear(x))

model = LogisticRegression(X.shape[1])
criterion = nn.BCEWithLogitsLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

开始训练模型：

num_epochs = 100
for epoch in range(num_epochs):
    model.train()  # 设为训练模式
    optimizer.zero_grad()  # 清零梯度

    # 前向传播
    outputs = model(train_X)
    loss = criterion(outputs, train_y)

    # 反向传播和更新权重
    loss.backward()
    optimizer.step()

    if (epoch + 1) % 10 == 0:
        print(f"Epoch {epoch+1}/{num_epochs}, Loss: {loss.item():.4f}")

最后，评估模型在测试集上的性能：

model.eval()  # 设为评估模式，关闭Dropout等层
with torch.no_grad():
    predictions = torch.round(torch.sigmoid(model(test_X))).squeeze().int()
    accuracy = (predictions == test_y).sum().item() / len(predictions)
    print(f"Accuracy on test set: {accuracy:.4f}")