用logit和ols实现，区分训练集和测试集

对于区分训练集和测试集，我们可以使用以下步骤：

1. 首先，我们需要将数据集分成训练集和测试集。这可以通过随机抽样实现，通常将数据集的80％用作训练集，20％用作测试集。

2. 然后，我们可以使用logit和ols模型对训练集进行拟合，以获得模型参数。

3. 接下来，我们可以使用训练好的模型对测试集进行预测，以评估模型的性能。

下面是使用Python代码实现该过程的示例：

# 导入必要的库
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.linear_model import LinearRegression
from sklearn.metrics import accuracy_score, mean_squared_error

# 加载数据集
data = pd.read_csv('data.csv')

# 将数据集分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data.drop('target', axis=1), 
                                                    data['target'], 
                                                    test_size=0.2)

# 使用logit模型对训练集进行拟合
logit_model = LogisticRegression()
logit_model.fit(X_train, y_train)

# 对测试集进行预测
logit_preds = logit_model.predict(X_test)

# 计算logit模型的准确率
logit_accuracy = accuracy_score(y_test, logit_preds)

# 使用ols模型对训练集进行拟合
ols_model = LinearRegression()
ols_model.fit(X_train, y_train)

# 对测试集进行预测
ols_preds = ols_model.predict(X_test)

# 计算ols模型的均方误差
ols_mse = mean_squared_error(y_test, ols_preds)

在上面的代码中，我们首先加载数据集，然后使用train_test_split函数将数据集分成训练集和测试集。接下来，我们分别使用LogisticRegression和LinearRegression模型对训练集进行拟合，并对测试集进行预测。最后，我们使用accuracy_score和mean_squared_error函数分别计算logit模型的准确率和ols模型的均方误差。