建立logistic回归模型

建立logistic回归模型一般分为以下几个步骤：

1. 数据预处理：包括数据清洗、缺失值处理、异常值处理等。

2. 特征工程：对原始数据进行特征提取、特征选择、特征转换等操作。

3. 数据集划分：将数据集划分为训练集和测试集。

4. 模型训练：使用训练集训练logistic回归模型。

5. 模型评估：使用测试集评估模型的预测性能，包括准确率、召回率、F1值等指标。

下面是一个示例代码：

# 数据预处理
import pandas as pd
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler

data = pd.read_csv('data.csv')
X = data.drop(columns=['target'])
y = data['target']

# 缺失值处理
imputer = SimpleImputer(strategy='mean')
X = imputer.fit_transform(X)

# 特征工程
scaler = StandardScaler()
X = scaler.fit_transform(X)

# 数据集划分
from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 模型训练
from sklearn.linear_model import LogisticRegression

model = LogisticRegression()
model.fit(X_train, y_train)

# 模型评估
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)

print(f'Accuracy: {accuracy:.4f}, Precision: {precision:.4f}, Recall: {recall:.4f}, F1: {f1:.4f}')

需要注意的是，logistic回归模型的应用场景有一定的限制，适用于二分类问题，且要求特征之间是线性可分的。如果特征之间存在非线性关系，则需要使用其他更加复杂的模型。