logistic回归 python代码

好的，下面是一个简单的 logistic 回归的 Python 代码：

# 导入需要的库
import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split

# 读取数据
data = pd.read_csv("data.csv")

# 准备数据
X = data.iloc[:, :-1]
y = data.iloc[:, -1]

# 数据切分，70% 作为训练数据，30% 作为测试数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# logistic回归模型训练
lr = LogisticRegression()
lr.fit(X_train, y_train)

# 预测并计算准确率
y_pred = lr.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

请注意，这只是一个基础的示例，实际应用中可能需要更多的数据处理、特征工程、调参等操作。

相关问题

Logistic回归python代码

Logistic回归的Python代码如下:

import numpy as np

# 加载数据集
def loadDataSet():
    dataMat = []
    labelMat = []
    fr = open('testSet.txt')
    for line in fr.readlines():
        lineArr = line.strip().split()
        dataMat.append([1.0,float(lineArr[0]),float(lineArr[1])])
        labelMat.append(int(lineArr[2]))
    return dataMat,labelMat

# Sigmoid函数
def sigmoid(inX):
    return 1.0 / (1 + np.exp(-inX))

# 梯度上升算法
def gradAscent(dataMatIn, classLabels):
    dataMatrix = np.mat(dataMatIn)
    labelMat = np.mat(classLabels).transpose()
    m, n = np.shape(dataMatrix)
    alpha = 0.001
    maxCycles = 500
    weights = np.ones((n,1))
    for k in range(maxCycles):
        h = sigmoid(dataMatrix * weights)
        error = labelMat - h
        weights = weights + alpha * dataMatrix.transpose() * error
    return weights

# 测试代码
dataMat,labelMat = loadDataSet()
weights = gradAscent(dataMat, labelMat)
print(weights)

logistic回归python代码

以下是一个简单的使用 Python 和 scikit-learn 库实现逻辑回归的代码示例:

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

# 加载 iris 数据集
iris = load_iris()
X, y = iris.data, iris.target

# 创建逻辑回归模型
clf = LogisticRegression()

# 训练模型
clf.fit(X, y)

# 预测
y_pred = clf.predict(X)

# 评估准确率
accuracy = clf.score(X, y)
print("Accuracy: ", accuracy)

这段代码使用了 scikit-learn 库中的逻辑回归模型，并使用 iris 数据集进行了简单的训练和预测。

请注意，这只是一个示例，在实际应用中应该使用交叉验证来评估模型的性能。