分析logistic回归模型分类结果

要分析logistic回归模型分类结果，可以使用混淆矩阵（confusion matrix）来评估模型的性能。混淆矩阵是一个2x2的矩阵，其中行表示实际类别，列表示预测类别。矩阵的四个元素分别为真正例（true positive，TP）、假正例（false positive，FP）、真反例（true negative，TN）和假反例（false negative，FN），如下所示：

| | 预测为正例 | 预测为反例 |
|------------------|------------|------------|
| 实际为正例 | TP | FN |
| 实际为反例 | FP | TN |

其中，真正例表示被正确地预测为正例的样本数，假正例表示被错误地预测为正例的样本数，真反例表示被正确地预测为反例的样本数，假反例表示被错误地预测为反例的样本数。

通过混淆矩阵，可以计算出一些模型评估指标，如准确率（accuracy）、精度（precision）、召回率（recall）和F1值等。这些指标可以帮助我们评估模型的性能，找出模型的优缺点，从而优化模型。

准确率指分类正确的样本数占总样本数的比例，计算公式为：

准确率 = (TP + TN) / (TP + FP + TN + FN)

精度指被正确预测为正例的样本数占所有预测为正例的样本数的比例，计算公式为：

精度 = TP / (TP + FP)

召回率指被正确预测为正例的样本数占所有实际为正例的样本数的比例，计算公式为：

召回率 = TP / (TP + FN)

F1值是精度和召回率的加权平均值，计算公式为：

F1 = 2 * 精度 * 召回率 / (精度 + 召回率)

这些指标越高，模型的性能就越好。