实验文件夹下的data1.txt是一个两次考试成绩与是否录取一组数据请通过今天学习的知识，构建逻辑斯蒂分类模型，预测（20，80）的录取情况并其可视化

首先，为了使用逻辑斯蒂回归（Logistic Regression）模型来预测数据1.txt中的录取情况，我们需要完成以下几个步骤：

1. **数据加载**：
- 使用Python的pandas库读取数据文件"data1.txt"，将其内容解析成DataFrame，每行代表一个样本，包含两次考试成绩和录取结果。

import pandas as pd

# 加载数据
df = pd.read_csv("data1.txt", sep='\t', names=['exam1', 'exam2', 'admitted']) # 假设逗号分隔符或制表符分隔

2. **数据预处理**：
- 检查是否存在缺失值，并根据需要填充、删除或转换。
- 将'admitted'列转换为数值类型，如0表示未录取，1表示已录取。

df['admitted'] = df['admitted'].astype(int)

3. **特征工程**：
- 如果需要，可以考虑对考试成绩进行归一化或其他预处理步骤，比如多项式特征或交互项。

4. **划分训练集和测试集**：
- 使用sklearn库将数据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(df[['exam1', 'exam2']], df['admitted'], test_size=0.2, random_state=42)

5. **训练逻辑斯蒂回归模型**：
- 导入`LogisticRegression`，然后拟合模型。

from sklearn.linear_model import LogisticRegression

model = LogisticRegression()
model.fit(X_train, y_train)

6. **预测**：
- 对给定的成绩（20, 80）进行预测。

new_scores = [[20, 80]]
prediction = model.predict(new_scores)
probability = model.predict_proba(new_scores)[:, 1]  # 得到录取概率

7. **可视化**：
- 可以使用matplotlib或seaborn绘制混淆矩阵、ROC曲线等，展示模型性能。

import matplotlib.pyplot as plt
import seaborn as sns

# 绘制决策边界或ROC曲线
sns.displot(data=[y_train, y_test], kind="kde", color=["blue", "red"], label=["train", "test"])
plt.plot([0, 1], [0, 1], "k--")
plt.xlabel("True Admissions Rate")
plt.ylabel("Predicted Admissions Rate")

# 或者绘制预测概率和实际结果的关系
plt.figure()
sns.scatterplot(x=y_test, y=probability)
plt.xlabel("Actual Admissions")
plt.ylabel("Predicted Probability of Admission")
plt.show()