多元logistic回归代码

多元逻辑回归（Multinomial Logistic Regression）是一种用于分类问题的统计模型，尤其适用于类别数大于2的情况。在Python中，我们可以使用`sklearn`库中的`LogisticRegression`类来实现多元逻辑回归。以下是一个简单的代码示例：

# 导入所需的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn import metrics

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建一个多元逻辑回归模型，设置multi_class参数为'categorical'
model = LogisticRegression(multi_class='categorical', solver='lbfgs')

# 训练模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估模型性能
accuracy = metrics.accuracy_score(y_test, y_pred)
confusion_matrix = metrics.confusion_matrix(y_test, y_pred)

print("Accuracy:", accuracy)
print("Confusion Matrix:\n", confusion_matrix)

在这个例子中，我们首先加载了鸢尾花数据集，然后将其分为训练集和测试集。然后创建了一个`LogisticRegression`对象，并设置了`multi_class`参数为`'categorical'`，这表明我们处理的是多个类别的分类问题。接着训练模型并进行预测，最后计算了准确率和混淆矩阵来评估模型性能。