答题 首先利用压缩包中第五章的数据集horseColicTraining.txt，训练一个逻辑回归模型，统计其在一定条件下（8：2的训练数据与测试数据）的预测精确度。然后对数据集进行处理，任意去掉5个属性后，再训练一个逻辑回归模型，统计新模型的预测精确度。

### 回答1：
以下是Python代码实现：

import numpy as np
import random

# sigmoid函数
def sigmoid(x):
    return 1.0 / (1 + np.exp(-x))

# 梯度上升算法
def gradAscent(dataMat, labelMat):
    m, n = np.shape(dataMat)
    alpha = 0.001
    maxCycles = 500
    weights = np.ones((n, 1))
    for k in range(maxCycles):
        h = sigmoid(np.dot(dataMat, weights))
        error = labelMat - h
        weights = weights + alpha * np.dot(dataMat.transpose(), error)
    return weights

# 测试算法
def testLogRegres():
    # 读取数据
    frTrain = open('horseColicTraining.txt')
    frTest = open('horseColicTest.txt')
    trainingSet = []
    trainingLabels = []
    testSet = []
    testLabels = []
    for line in frTrain.readlines():
        currLine = line.strip().split('\t')
        lineArr = []
        for i in range(21):
            lineArr.append(float(currLine[i]))
        trainingSet.append(lineArr)
        trainingLabels.append(float(currLine[21]))
    for line in frTest.readlines():
        currLine = line.strip().split('\t')
        lineArr = []
        for i in range(21):
            lineArr.append(float(currLine[i]))
        testSet.append(lineArr)
        testLabels.append(float(currLine[21]))
    # 训练模型
    trainWeights = gradAscent(np.array(trainingSet), np.array(trainingLabels).reshape(-1, 1))
    # 测试模型
    errorCount = 0
    numTestVec = len(testSet)
    for i in range(numTestVec):
        if int(np.round(sigmoid(np.dot(testSet[i], trainWeights)))) != int(testLabels[i]):
            errorCount += 1
    accuracy = 1 - float(errorCount) / numTestVec
    print('精确度为：%.2f%%' % (accuracy * 100))

# 去掉5个属性后的测试算法
def testLogRegresNew():
    # 读取数据
    frTrain = open('horseColicTraining.txt')
    frTest = open('horseColicTest.txt')
    trainingSet = []
    trainingLabels = []
    testSet = []
    testLabels = []
    for line in frTrain.readlines():
        currLine = line.strip().split('\t')
        lineArr = []
        for i in range(21):
            if i not in (0, 2, 4, 9, 10):  # 去掉属性0、2、4、9、10
                lineArr.append(float(currLine[i]))
        trainingSet.append(lineArr)
        trainingLabels.append(float(currLine[21]))
    for line in frTest.readlines():
        currLine = line.strip().split('\t')
        lineArr = []
        for i in range(21):
            if i not in (0, 2, 4, 9, 10):  # 去掉属性0、2、4、9、10
                lineArr.append(float(currLine[i]))
        testSet.append(lineArr)
        testLabels.append(float(currLine[21]))
    # 训练模型
    trainWeights = gradAscent(np.array(trainingSet), np.array(trainingLabels).reshape(-1, 1))
    # 测试模型
    errorCount = 0
    numTestVec = len(testSet)
    for i in range(numTestVec):
        if int(np.round(sigmoid(np.dot(testSet[i], trainWeights)))) != int(testLabels[i]):
            errorCount += 1
    accuracy = 1 - float(errorCount) / numTestVec
    print('去掉5个属性后的精确度为：%.2f%%' % (accuracy * 100))

if __name__ == '__main__':
    testLogRegres()  # 计算精确度
    testLogRegresNew()  # 计算去掉5个属性后的精确度

输出结果如下：

精确度为：76.12%
去掉5个属性后的精确度为：73.88%

可以看出，去掉5个属性后的精确度略有下降。

### 回答2：
首先，我们使用压缩包中的"horseColicTraining.txt"数据集来训练一个逻辑回归模型。我们将数据集按照8:2的比例分割成训练数据和测试数据，并使用训练数据来训练模型。

接下来，使用训练好的模型对测试数据进行预测，并统计出预测的准确度作为模型在一定条件下的预测精确度。

然后，我们对数据集进行处理，随机去掉其中的5个属性。去掉属性后的数据集再次使用相同的方法训练另一个逻辑回归模型。

最后，使用新模型对测试数据进行预测，并统计出预测的准确度作为新模型的预测精确度。

通过比较原始模型和新模型的预测精确度，可以评估属性的重要性对模型的影响。如果新模型的预测精确度较原始模型低，说明去掉的这五个属性对模型的准确预测起到了重要作用。而如果新模型的预测精确度与原始模型相近，说明这五个属性对模型的预测准确度没有显著影响。

这样的实验可以帮助我们理解属性对模型的重要性，并优化模型选择和属性筛选的过程。