logistic回归模型代码

Logistic回归是一种广泛用于分类问题的统计模型，尤其适用于二分类问题。它基于sigmoid函数将线性函数映射到0到1之间，从而估计概率。以下是使用Python的scikit-learn库实现一个简单的逻辑回归模型的代码示例：

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

# 假设你已经有了一个名为df的数据集，包含特征X和目标变量y
# df = pd.read_csv('your_data.csv')  # 用真实数据集路径替换

# 数据预处理（假设特征需要数值化，类别需要编码）
X = df.drop('y', axis=1)  # 去除目标变量
y = df['y']  # 选择目标变量
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()

# 训练模型
model.fit(X_train, y_train)

# 预测新样本
predictions = model.predict(X_test)

# 评估模型性能
from sklearn.metrics import accuracy_score, confusion_matrix
print("Accuracy:", accuracy_score(y_test, predictions))
print("Confusion Matrix:\n", confusion_matrix(y_test, predictions))

# 如果需要，可以使用predict_proba方法获取每个样本的概率预测
# probabilities = model.predict_proba(X_test)