logistic回归模型实例

下面是一个简单的逻辑回归模型实例，使用Python和Scikit-learn库：

# 导入所需的库和模块
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 读取数据集
data = pd.read_csv('data.csv')

# 划分特征和标签
X = data.iloc[:, :-1]
y = data.iloc[:, -1]

# 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=0)

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

# 训练模型
lr_model.fit(X_train, y_train)

# 预测测试集
y_pred = lr_model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy: {:.2f}'.format(accuracy))

在这个示例中，我们首先使用Pandas读取数据集并将其划分为特征和标签。然后，我们使用train_test_split方法将数据集划分为训练集和测试集。接下来，我们创建逻辑回归模型并使用fit方法训练模型。最后，我们使用predict方法预测测试数据，并使用accuracy_score方法计算准确率。