python logistic回归模型 模型评估值输出

在Python中，可以使用scikit-learn库来构建逻辑回归模型并输出模型评估值。以下是一个简单的示例代码：

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 假设X和y是你的训练数据和标签
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建逻辑回归模型并进行训练
lr_model = LogisticRegression()
lr_model.fit(X_train, y_train)

# 使用测试数据进行预测并输出模型评估值
y_pred = lr_model.predict(X_test)
print('Accuracy:', accuracy_score(y_test, y_pred))
print('Precision:', precision_score(y_test, y_pred))
print('Recall:', recall_score(y_test, y_pred))
print('F1 score:', f1_score(y_test, y_pred))

在这个示例代码中，我们首先使用`train_test_split`函数将数据分成训练集和测试集。然后，我们创建逻辑回归模型并在训练集上进行训练。最后，我们使用测试集进行预测，并使用`accuracy_score`、`precision_score`、`recall_score`和`f1_score`函数输出模型的准确率、精确率、召回率和F1分数。