利用sklearn掌握对数几率回归算法

对数几率回归（Logistic Regression）是一种用于建立分类模型的线性模型。它可以用于二分类和多分类问题。本文将介绍如何利用sklearn库来实现对数几率回归算法。

首先，我们需要导入sklearn的LogisticRegression模型：

from sklearn.linear_model import LogisticRegression

接下来，我们需要准备训练集和测试集数据。这里我们使用sklearn库自带的鸢尾花数据集作为例子：

from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target

然后，我们将数据集划分为训练集和测试集：

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)

随后，我们创建一个LogisticRegression对象，并使用fit方法拟合训练数据：

clf = LogisticRegression(random_state=0).fit(X_train, y_train)

最后，我们可以使用predict方法来预测测试集数据的分类结果，并使用score方法计算模型在测试集上的准确率：

y_pred = clf.predict(X_test)
score = clf.score(X_test, y_test)
print('Accuracy:', score)

完整代码如下：

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# Load iris dataset
iris = load_iris()
X = iris.data
y = iris.target

# Split dataset into training set and test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Create a LogisticRegression object and fit the training data
clf = LogisticRegression(random_state=0).fit(X_train, y_train)

# Predict the class labels for the test set
y_pred = clf.predict(X_test)

# Calculate the model accuracy on the test set
score = clf.score(X_test, y_test)

# Print the model accuracy
print('Accuracy:', score)

输出结果为：

Accuracy: 1.0

这说明我们的模型在测试集上的分类准确率达到了100%。