逻辑回归分类python实例_Python逻辑回归原理及实际案例应用

好的，下面是一个简单的逻辑回归分类的 Python 实例。

首先，我们需要导入必要的库和数据集。在这个例子中，我们使用了 scikit-learn 库中的鸢尾花数据集。

from sklearn import datasets
import numpy as np

# 导入鸢尾花数据集
iris = datasets.load_iris()

# 只使用前两个特征：花萼长度和花萼宽度
X = iris.data[:, :2]
y = (iris.target != 0) * 1

接下来，我们将数据集拆分为训练集和测试集。

# 将数据集拆分为训练集和测试集
train_X, train_y = X[:80], y[:80]
test_X, test_y = X[80:], y[80:]

然后，我们可以使用 scikit-learn 库中的 LogisticRegression 类来建立逻辑回归模型。

from sklearn.linear_model import LogisticRegression

# 创建一个逻辑回归模型
clf = LogisticRegression()

# 在训练集上拟合模型
clf.fit(train_X, train_y)

接着，我们可以使用训练好的模型来进行预测。

# 在测试集上进行预测
pred_y = clf.predict(test_X)

最后，我们可以使用 scikit-learn 库中的 metrics 模块来评估模型的性能。

from sklearn import metrics

# 计算模型的准确率、精度和召回率
print("Accuracy:", metrics.accuracy_score(test_y, pred_y))
print("Precision:", metrics.precision_score(test_y, pred_y))
print("Recall:", metrics.recall_score(test_y, pred_y))

完整代码如下：

from sklearn import datasets
from sklearn.linear_model import LogisticRegression
from sklearn import metrics
import numpy as np

# 导入鸢尾花数据集
iris = datasets.load_iris()

# 只使用前两个特征：花萼长度和花萼宽度
X = iris.data[:, :2]
y = (iris.target != 0) * 1

# 将数据集拆分为训练集和测试集
train_X, train_y = X[:80], y[:80]
test_X, test_y = X[80:], y[80:]

# 创建一个逻辑回归模型
clf = LogisticRegression()

# 在训练集上拟合模型
clf.fit(train_X, train_y)

# 在测试集上进行预测
pred_y = clf.predict(test_X)

# 计算模型的准确率、精度和召回率
print("Accuracy:", metrics.accuracy_score(test_y, pred_y))
print("Precision:", metrics.precision_score(test_y, pred_y))
print("Recall:", metrics.recall_score(test_y, pred_y))

这就是一个简单的逻辑回归分类的 Python 实例。